针对粒子群算法求解多目标问题极易收敛到伪Pareto 前沿(等价于单目标优化问题中的局部最优解), 并且 收敛速度较慢的问题, 提出一种?? 占优的自适应多目标粒子群算法(??DMOPSO). 在??DMOPSO算法中, 每个粒子的 邻居根据粒子的运行动态地组建, 且粒子的速度不由其邻居中运行最好的粒子来调整, 而是由其所有邻居共同调整. 同时, 采用外部存档保存非劣解, 并利用?? 占优更新非劣解. 模拟结果表明了??DMOPSO算法的有效性.

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.

针对在解决某些复杂多目标优化问题过程中, 所得到的Pareto 最优解易受设计参数或环境参数扰动的影响, 引入了鲁棒的概念并提出一种改进的鲁棒多目标优化方法, 它利用了经典的基于适应度函数期望和方差方法各自的 优势, 有效地将两种方法结合在一起. 为了实现该方法, 给出一种基于粒子群优化算法的多目标优化算法. 仿真实例 结果表明, 所给出的方法能够得到更为鲁棒的Pareto 最优解.

介绍多目标优化的方法与理论，作者是林锉云，董加礼。92年出版的，不算新，但看过后对我还是有一定帮助的。

多目标优化的微分进化算法-多目标优化的微分进化算法.rar 多目标优化的微分进化算法

该存储库包含“汤普森采样高效多目标优化”(TSEMO) 算法 [1] 的源代码。 该算法专为评估成本高昂的黑盒函数的全局多目标优化而设计。 例如，该算法已应用于生命周期评估（LCA）和化学过程仿真成本的同时优化[2]。 但是，该算法也可以应用于其他黑盒函数，例如 CFD 模拟。 它基于贝叶斯优化方法，构建高斯过程代理模型以加速优化。 此外，该算法可以在每次迭代中识别几个有希望的点（批量顺序模式）。 这允许并行评估多个模拟。 [1] Bradford，E.，Schweidtmann，AM和Lapkin，A. J Glob Optim（2018）。 https://doi.org/10.1007/s10898-018-0609-2 [2] D. Helmdach, P. Yaseneva, PK Heer, AM Schweidtmann, AA Lapkin, ChemSusChem 201

多目标优化算法MODA。多应用在工程技术领域解决多目标优化问题

PICEA-g是一种新的多目标优化算法，算法性能，特别是在高维多目标问题上，优于NSGA-II等经典算法。 The PICEA-g is a evolutionary multiobjective algorithm. It performs well on both bi- and many-objective problems. In this package the PICEA-g can only handle unconstrained multiobjective problems. Readers can contact ruiwangnudt@gmail.com for more details

完整代码，可直接运行