Contenus
ToggleAlgorithme génétique de tri non dominé NSGA
L’objectif de l’algorithme génétique de tri non dominé NSGA est d’améliorer l’ajustement adaptatif d’une population de solutions candidates à un front de Pareto contraint par un ensemble de fonctions objectives. L’algorithme génétique de tri non dominé NSGA utilise un processus évolutif avec des substituts pour les opérateurs évolutifs, y compris la sélection, le croisement génétique et la mutation génétique.
La population est classée dans une hiérarchie de sous-populations basée sur l’ordre de la domination de Pareto. La similitude entre les membres de chaque sous-groupe est évaluée sur le front de Pareto, et les groupes résultants et les mesures de similitude sont utilisés pour promouvoir un front diversifié de solutions non dominées.
![Algorithme Génétique De Tri Non Dominé Algorithme Génétique De Tri Non Dominé algorithme génétique de tri non dominé NSGA](https://complex-systems-ai.com/wp-content/uploads/2020/03/nsgaii.png)
La fonction SortByRankAndDistance classe la population dans une hiérarchie de fronts de Pareto non dominés. Le CrowdingDistance-Assignment calcule la distance moyenne entre les membres de chaque front sur le front lui-même. La fonction Crossover-AndMutation exécute les opérateurs génétiques de croisement et de mutation classiques de l’algorithme génétique. Les fonctions SelectParentsBy-RankAndDistance et SortByRankAndDistance discriminent d’abord les membres de la population par leur rang (ordre de priorité dominé du front auquel appartient la solution) puis par la distance à l’intérieur du front (calculée par CrowdingDistanceAssignment).
L’algorithme génétique de tri non dominé NSGA a été conçu et adapté aux instances de problèmes d’optimisation à objectifs multiples à fonction continue. Une représentation binaire peut être utilisée conjointement avec des opérateurs génétiques classiques tels que le croisement à un point et la mutation ponctuelle. Une représentation à valeur réelle est recommandée pour les problèmes d’optimisation de fonction continue, nécessitant à son tour des opérateurs génétiques spécifiques à la représentation tels que le crossover binaire simulé (SBX) et la mutation polynomiale