基于NSGA-II的卫星星座设计，含全套代码

NSGA-IIImatlab代码

NSGA-II 可以用作遗传算法或其他算法的实验对比

化学工程中的许多优化问题涉及整数变量和权衡目标。 解决此类问题的一种方法是使用处理连续和整数变量的算法，例如，BARON 算法（确定性）或 NSGA II（随机性）。此 matlab 代码是 Aspen Plus 蒸馏塔多目标优化的示例，使用NSGA II 算法。 蒸馏塔的模拟在Aspen Plus V8.8 中进行，因为V9 或10 版本中每次交互的模拟时间是V8.8 版本的10 倍。 优化问题陈述： 目标函数 (2) : [min{CAPEX}, min{OPEX}] 优化变量 (3)：[x1=色谱柱级数，x2=回流比，x3：标准化色谱柱进料级] 约束条件：约束条件1 =乙醇的摩尔回收率> 99％； 缺点 2=乙醇摩尔纯度 > 80% NSGA II 设置代数：20 人口：20 注意：请参阅代码“Opt_EthanolColumn.m”以更好地理解 NSGA 算法参数。 运行代

NSGA算法，完整的源代码，并且可以运行（14版本的matlab）

带精英策略的非支配排序遗传算法（NSGA-II）在多目标优化领域具有广泛的应用，但该算法种群收敛分布不均匀，全局搜索能力较弱，算法运行速度较慢。针对这些局限性提出了改进的排序适应度策略、算术交叉算子策略、按需分层策略和设定阈值选择策略。在典型的测试函数集上的数值实验结果表明，根据这些策略改进的算法得到的非劣解集具有较好的分布性，同时收敛速度更快。

实现了多目标遗传算法NSGA2，并带有详细注释及相关论文，读者只需根据具体问题简要修改，即可使用。实现了多目标遗传算法NSGA2，并带有详细注释及相关论文，读者只需根据具体问题简要修改，即可使用。

nsga ii算法代码MATLAB 实数编码整数处理NSGA-II 能够解决混合整数非线性问题的多目标优化非排序遗传算法。 该代码是免费提供的Tamilselvi Selvaraj NSGA II Matlab代码的修订版本，能够解决带有约束的混合整数非线性规划。 使用上述算法解决了一些基准问题，包括整数变量问题。 准则：打开“ NSGA_II_Abril_Test.m”。 选择所需的“ p”基准问题（p = 2 ---> ZDT1问题）。 运行“ NSGA_II_Abril_Test.m”

提出基于改进的非支配排序遗传算法(NSGA-Ⅱ)的社区电动汽车充电站优化充电策略。首先，以电动汽车充电容量和配电变压器容量限制为约束条件，构建以单位电量充电费用最少、电网侧负荷方差最小为目标的电动汽车充电站多目标充电模型；然后，针对传统NSGA-Ⅱ存在的难以生成满足约束条件的初始种群、Pareto解集分布不均和最优解性能不高的缺点，提出改进初始种群生成和拥挤度比较算子相结合的NSGA-Ⅱ对模型进行求解，并采用基于信息熵的序数偏好法从最终Pareto解集中选择最优折中充电方案；最后，通过算例仿真验证了所提算法的有效性，表明改进NSGA-Ⅱ能在较大程度上提高电网侧的负荷水平和用户的充电性价比。

MOEAD+NSGA2.zip