-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathfake code.py
More file actions
83 lines (75 loc) · 5.46 KB
/
Copy pathfake code.py
File metadata and controls
83 lines (75 loc) · 5.46 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
'''
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
KEMM-DMOEA 精简伪代码
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
输入: 起点S, 终点G, 船舶参数(R_min, V_max), 环境序列ENV
输出: 每个时刻的 Pareto 最优路径集
/* ─── 初始化 ─── */
1: Memory ← ∅ // 环境场指纹记忆库
2: Pop ← RandomInit(N) + APFGuided(N) // 混合策略生成100条路径
3: Pop ← KPO(Pop) // 运动学投影: 确保每条路径物理可行
4: Fit ← Evaluate(Pop, 4个目标) // 计算 [路径长度, 风险, 燃油, 平稳性]
5: FP_old ← APF_Fingerprint(ENV(0)) // 计算初始环境的12维指纹
6: Memory.Store(FP_old, Pop, Fit)
/* ─── 动态主循环: 每当环境变化 ─── */
7: for each time step t do
8: ENV.Update(dt) // 障碍物移动, 洋流变化
9: FP_new ← APF_Fingerprint(ENV(t)) // 新环境指纹
10: Δ ← |FP_new - FP_old| / |FP_old| // 变化幅度 (标量)
11:
12: /* ── 自适应响应: 变化大→多探索, 变化小→多继承 ── */
13: r_keep ← f(Δ) // Δ越大, 保留越少
14: r_transfer ← 0.4 // 迁移比例固定
15: r_reinit ← 1 - r_keep - r_transfer // 随机重
修改之后的原理图解：
┌─────────────────────────────────────────────────────────┐
│ KEMM-DMOEA 自适应退化机制 │
│ │
│ 环境变化检测 │
│ │ │
│ ▼ │
│ 计算质心轨迹线性度 R² │
│ │ │
│ ┌────┴────┐ │
│ │ R²>0.7 │ ← FDA/dMOP 简单线性变化 │
│ │ (线性) │ │
│ │ ▼ │
│ │ 模式A: 轻量预测 │
│ │ ┌──────────────────────┐ │
│ │ │ (a) PPS式质心二阶外推 │ ← 论文[22] │
│ │ │ (b) KF状态修正融合 │ ← 论文[23] │
│ │ │ (c) 流形空间采样 │ ← 论文[22]manifold │
│ │ │ (d) 少量精英保留 │ ← Process 1 记忆 │
│ │ └──────────────────────┘ │
│ │ │
│ ├────┬────┐ │
│ │ R²≤0.7 │ ← DF系列 复杂Non-IID变化 │
│ │ (非线性) │ │
│ │ ▼ │
│ │ 模式B: 完整SGF迁移 │
│ │ ┌──────────────────────┐ │
│ │ │ Process 2: FindBestSol│ ← SVR估计+NDS │
│ │ │ Process 3: Transfer │ ← KMeans+SGF+多源加权 │
│ │ │ 随机多样性补充 │ │
│ │ └──────────────────────┘ │
│ └──────────────────────────────────────────────────────┘
模式 A 同时汲取了 PPS（质心外推）、KF（状态修正）和流形采样三者的优势，而且计算开销极低（无 SVR、无聚类、无 SGF），
这使得它在简单测试函数上能匹配甚至超越 Tr/KF/PPS。而模式 B 保留了论文完整的 SGF 能力以应对复杂场景。
[输出图表总览]
编号 文件名 内容 论文对应来源
1 out_migd_bar.png MIGD 柱状图 (含误差棒) 知识库 Table I
2 out_sp_bar.png SP 柱状图 知识库 Table II
3 out_ms_bar.png MS 柱状图 知识库 Table III
4 out_radar.png 四维性能雷达图 知识库摘要: "speed... quality"
5 out_igd_over_time.png IGD 随时间变化曲线 知识库 Fig.3
6 out_migd_box.png MIGD 箱线图 知识库 "20 times independently"
7 out_sp_box.png SP 箱线图 同上
8 out_ms_box.png MS 箱线图 同上
9 out_migd_heatmap.png 算法×问题热力图 全局对比
10 out_win_count.png 三指标胜负计数 知识库 Tables I-III 底部
11 out_cd_rank.png CD 排名条形图 Friedman 排名
12 out_speedup.png 运行时间+效率比 知识库 Tables V-VI: "greatly improved the speed"
13 out_tradeoff.png MIGD-Time 权衡散点 知识库核心动机: "accelerate without deteriorating"
14 out_rank_evolution.png 跨问题排名折线 鲁棒性分析
15 out_pairwise.png 两两对比矩阵 Wilcoxon 详细
'''