将离散空间问题求解的蚁群算法引入连续空间, 针对多目标优化问题的特点, 提出一种用于求解带有约束
条件的多目标函数优化问题的蚁群算法. 该方法定义了连续空间中信息量的留存方式和蚂蚁的行走策略, 并将信息
素交流和基于全局最优经验指导两种寻优方式相结合, 用以加速算法收敛和维持群体的多样性. 通过3 组基准函数
来测试算法性能, 并与N SGA II 算法进行了仿真比较. 实验表明该方法搜索效率高, 向真实Pareto 前沿逼近的效果
好, 获得的解的散布范围广, 是一种求解多目标优化问题的有效方法.

智能优化算法-双层优化算法】基于双层优化算法求解多目标优化文题

非支配排序，拥挤度计算，pareto前沿，A Fast and Elitist Multi-objective Genetic Algorithm:NSGA-II NSGA算法 NSGA算法缺陷 NSGA-II算法 总结 1. 快速非支配排序法将时间复杂度改进为O(MN2)； 2.使用拥塞距离代替代替共享函数算法保持种群多样性； 引入精英保留策略。 非支配排序的复杂度较高: O(MN3) （M是目标函数的个数，N是种群大小)； 缺少精英保留策略； 需要人为指定共享参数σshare（共享小生境步骤）。 NSGA： nondominated sorting genetic algorithms-非支配排序遗传算法 nondominated：非支配 例：回家，两目标（费用，时间），均越小越好 动车A（270 , 7），普快B（120 , 10），飞机C（240，2） C（240，2）支配A（270 ， 7）; A（270 , 7）被C（240，2）支配; B（120 , 10）和C（240，2）不可比，即非支配。 目的：得到一组非支配的解--Pareto最优解集。

介绍了多目标优化问题的含义以及给出了多目标优化问题的数学描述。并且介绍了解决多目标优化的几种典型算法，讨论并对比了算法存在的优缺点，认为要进一步研究求解多目标优化问题的更多高效算法，若能结合各种算法的优点，处理多目标问题的效果将越来越好。

分析并比较了多传感器联合概率数据协会（MSJPDA）跟踪算法的并行和顺序实现。 开发了两种用于比较多传感器概率数据关联过滤器的非仿真技术，并用于比较算法的顺序和并行实现的跟踪性能。 已显示非仿真技术可以准确预测在仿真中观察到的性能趋势，也就是说，按顺序执行可在RMS位置误差和跟踪寿命方面提供更好的跟踪性能。 对于顺序实施，还简要解决了不同传感器的处理顺序问题。 我们还表明，随着传感器数量的增加，顺序实现的计算复杂度将降低。 因此，当不需要数据关联例程时，顺序和并行实现在多传感器过滤中是等效的，而当需要数据关联时，顺序实现则提供了出色的跟踪性能。

workbench机械结构及多目标优化.pptx

多目标粒子群算法的原理以及matlab代码实现，参考文献《基于改进多目标粒子群算法的配电网储能选址定容》。 代码注释清晰，结构有条理，非常适合用来学习多目标优化。 程序包括多目标粒子群算法的主函数与四个多目标优化常用的测试函数，代码运行有任何问题都可以帮忙解决，文档中提供了完整代码的获取方式。

matlab多目标优化代码

基于随机矩阵理论的双基地MIMO雷达盲多目标检测

 本文研究基于IMMJPDA 算法的多机动目标跟踪，并对IMMJPDA 算法中聚矩阵的构成进行了改进。当目标
采用不同模型时，将产生多个相互独立的聚矩阵和可行矩阵，同时得到相应的可行矩阵的条件概率。最后利用模型
概率对上述条件概率进行加权求和得到关联概率。改进后的IMMJPDA 算法在RMSE 超调性能上有了一定的提高。