湖北网站推广公司渠道,软件工程师一个月工资多少,网站支付功能建设,企业宣传片文字稿这个函数是用来执行非支配排序的#xff0c;可以分层构建Pareto#xff0c;并返回每一层的解以及每个解支配其他解的索引、解被其他解支配的次数、解所在的非支配层级。这个函数对这些解进行非支配排序#xff0c;并返回四个数组#xff1a;ndf, dl, dc, 和 ndr。 ndf (Non…这个函数是用来执行非支配排序的可以分层构建Pareto并返回每一层的解以及每个解支配其他解的索引、解被其他解支配的次数、解所在的非支配层级。这个函数对这些解进行非支配排序并返回四个数组ndf, dl, dc, 和 ndr。 ndf (Non-Dominated Fronts): 这是一个整数列表表示非支配层级。每个非支配层包含一组互不支配的解。例如第一个非支配层ndf[0]包含所有不被任何其他解支配的解第二个非支配层ndf[1]包含所有只被第一层中的解支配的解依此类推。 dl (Domination List): 这是一个列表其中每个元素是一个整数列表表示解支配的其他解的索引。 dc (Domination Counts): 这是一个整数数组每个元素表示解被其他解支配的次数。 ndr (Non-Dominated Ranks): 这是一个整数数组每个元素表示解所在的非支配层级。 示例返回值
import pygmo as pg
import numpy as np# 假设我们有一组解每个解包含多个目标函数的值
# 这里我们创建一个假设的解集每行代表一个解列代表目标函数的值
solutions np.array([[2.0, 4.0],[3.0, 3.5],[1.5, 5.0],[2.5, 2.0],[3.0, 2.5]
])# 使用 fast_non_dominated_sorting 对这些解进行非支配排序
ndf, dl, dc, ndr pg.fast_non_dominated_sorting(pointssolutions) 算出每个解被其他解支配的次数是多少
id_dict {}
for i in range(len(dc)):id_dict[i] dc[i]print(id_dict) {0: 0,
1: 2,
2: 0,
3: 0,
4: 1} 利用支配关系将解分为两类 def dominance_learn_clusters(self):基于每个解的支配关系将这些解划分为两类分别用0,1表示step计算每个解被其他解支配的数量 -- 对这些解的索引进行排序 -- 除以2以划分为两类### this version is for HVfrom copy import deepcopyassert len(self.samples) 2, samples must 0x self.samples[0]fX self.samples[1]# botorch_hv Hypervolume(ref_pointself.func.ref_point)obj_list deepcopy(fX.cpu().numpy())obj_list * -1ndf, dl, dc, ndr pg.fast_non_dominated_sorting(pointsobj_list)id_dict {}for i in range(len(dc)):id_dict[i] dc[i]sorted_domi np.array(sorted(id_dict.items(), keylambda kv: (kv[1])))[:, 0]plabel [1] * len(sorted_domi)for i in range(len(sorted_domi)):if i (len(sorted_domi) // 2):plabel[int(sorted_domi[i])] 0plabel np.array(plabel)return plabel
学习一个SVM分类器
self.svm SVC(kernelargs.kernel, gammaargs.gamma, degreeargs.degree) def learn_boundary(self, plabel):通过SVM学习到一个边界预测器assert len(plabel) len(self.samples[0])#fitting a boundary in search space#plabel is from objective space#plabel_ss is from the search spaceplabel plabel.ravel()X self.samples[0]if torch.cuda.is_available():X X.cpu().data.numpy()else:X X.data.numpy()self.svm.fit(X, plabel)
