一种改进的RBF神经网络多目标优化算法，肖忠良，李智勇，针对RBF网络训练中的多目标优化问题，提出了一种基于Pareto方法的改进的非支配排序遗传算法INSGA(Improved Non-dominated Sorting Genetic Algorithm)��

本资源是遗传算法优化多目标函数的matlab代码程序

针对差分进化算法其算法思想简明、实现方便而得到了国际进化计算研究领域的认可,多目标问题中,由于各目标之间经常是相互制约的,因此优化难度相当大。带时间窗的多目标物流配送车辆路径优化的多约束性使得它很难应用进化算法进行优化。为了解决这个问题,本文通过变异操作算子改进,成功将改进的差分进化算法应用于该问题。数值仿真实验结果表明:这种改进的差分进化算法得到了较稳定的非支配解集,实现了客户间的路径优化。

针对多目标优化过程中如何根据个人偏好确定各目标权重的问题, 提出一种约束优化方法以获得各目标的最佳权重. 首先, 将目标权重计算问题转化为综合适应度最大方差计算问题; 然后, 将个人偏好转化为最大方差问题不等式约束条件; 最后, 利用遗传算法和梯度投影法求解约束优化问题以获得最佳的目标权重. 在电力机车故障维修策略决策过程中应用该算法计算各部件经济性、安全性等目标权重, 实验结果验证了所提出方法能够获得满足个人偏好的最佳目标权重.

基于新预测模型的新型协同协同进化动态多目标优化算法

创建用于入门级设计优化课程（例如，UIUC的SE 413）。 证明了 epsilon-constraint 方法可以识别对应于多目标优化问题的 Pareto 前沿上的非支配点，而更广为人知的加权求和方法则不能。 测试问题改编自： “使用 MATLAB 在实践中进行优化：面向工程学生和专业人士”，A. Messac，2015 年，剑桥大学出版社用于文本的 MathWorks 合作伙伴网页： https://www.mathworks.com/support/books/book106117.html 请参阅 _readme.txt 文件以开始使用。

使用python编写程序，在 VS code中运行。源代码文件夹中包含两个子文件夹example，nsga2；example文件夹中包含ZDT1,ZDT2,ZDT3三个.py文件，运行这三个文件得到三个测试函数的实现结果。nsga2文件夹中的individual.py文件是定义了一个个体类；population.py定义了一个种群类；utils.py定义了快速非支配排序算法，拥挤度排序，以及种群的交叉变异；problem.py定义了个体的产生和目标函数值的产生；evolution.py定义了种群的进化。 参数设置： 目标函数：2 种群数：100 代数：1000 交叉分布指数：2 变异分布指数：5

为了在动态环境中很好地跟踪最优解, 考虑动态优化问题的特点, 提出一种新的多目标预测遗传算法. 首先 对Pareto 前沿面进行聚类以求得解集的质心; 其次应用该质心与参考点描述Pareto 前沿面; 再次通过预测方法给出 预测点集, 使得算法在环境变化后能够有指导地增加种群多样性, 以便快速跟踪最优解; 最后应用标准动态测试问题 进行算法测试, 仿真分析结果表明所提出算法能适应动态环境, 快速跟踪Pareto 前沿面.

粒子群算法 约束多目标 优化 matlab代码 粒子群算法 约束多目标 优化 matlab代码 粒子群算法 约束多目标 优化 matlab代码 粒子群算法 约束多目标 优化 matlab代码

设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的。算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto最优解集的多样性。仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为ο(mn2)(m表示的是目标函数的个数,n是种群的规模)。