【发布时间】：2021-12-13 11:50:01
【问题描述】：
为了找到 Pareto 前沿的质量指标，如世代距离、倒置世代距离、Epsilon 指标和 HyperVolume，我想标准化在基于参考前沿求解算法时获得的近似前沿值，我假设包含近似前沿。
reference_front = np.array([[0.5, 2.0], [1, 1.0], [1.2, 0.833], [2.3, 0.435], [3, 0.333]])
approximation_front = np.array([[0.8, 2.5], [1.0, 2.0], [2.1, 0.952], [2.8, 0.714]])
reference_point = [max(approximation_front[:,0]),max(approximation_front[:,0])]
我已使用以下代码进行规范化。但是，一次只针对一个数组
from sklearn.preprocessing import MinMaxScaler
min_max_scaler = MinMaxScaler()
reference_front_norm = min_max_scaler.fit_transform(reference_front)
approximation_front_norm = min_max_scaler.fit_transform(approximation_front)
reference_point = [max(approximation_front[:,0]),max(approximation_front[:,0])]
这里，近似前沿和参考前沿分别进行归一化。我们能否根据参考前沿的最大值和最小值将近似前沿归一化在 0 到 1 之间。
【问题讨论】：
-
如果您更详细地描述期望的和实际的结果将会很有帮助。有实际输出和期望输出。
标签： python arrays optimization normalization pareto-optimality