该平台包括现有的90个流行的MOEAs，如遗传算法、差分进化、粒子群优化、模因算法、分布估计算法和基于代理模型的算法。其中大多数是2010年以后在顶级期刊上发表的代表性算法；具有强大友好的GUI，可以不用编辑任何代码，简单设置参数后可以直接运行，生成Excel或者LaTex。

进化算法在解决多目标优化问题中有其特有的优势.首先对多目标优化问题进行了描述;然后结合研究现状讨论了目前几种主要的基于进化算法的多目标优化方法,以及它们的优缺点;最后给出了多目标进化优化算法的一些应用, 以及进化多目标优化算法的未来发展方向.

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价, 提出一种基于量子行为特性的粒子群 优化(QPSO) 和拥挤距离排序的多目标量子粒子群优化(MOQPSO-CD) 算法. MOQPSO-CD 利用QPSO 快速接近真 实的Pareto 最优解, 同时引入高斯变异算子以增强解的多样性. 采用拥挤距离排序的方法对外部存储器中最优解进 行更新和维护, 使得从中选择的具有全局最优的领导粒子能够引导粒子群最终找到真实的Pareto 最优解. 仿真结果 表明, MOQPSO-CD 具有更好的收敛性和更均匀的分布性.

从多目标配矿的复杂性出发，提出具有模糊性的多目标配矿问题，并设计出了基于管理者语言偏好和决策者满意度的模糊优化算法，该算法从最优性模型和重要性模型两方面进行改进．最后通过具体矿山实例对算法进行实现研究，根据实际配矿目标的各种要求，从算法的有效性、灵活性和灵敏性等特性进行分析．

模拟退火算法与遗传算法结合及多目标优化求解研究模拟退火算法与遗传算法结合及多目标优化求解研究模拟退火算法与遗传算法结合及多目标优化求解研究

多目标进化算法是一类借鉴了生物进化所遵循的自然进化过程的仿生算法,SPEA2则是其中的经典算法之一,在诸多领域得到了广泛的应用.作为一种全局算法

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”

基于遗传算法求解多目标优化问题Pareto前沿

遗传算法python框架，全中文注释。亲测内置nsga2,nsga3速度超过同等情况下的c++以及java。python版遗传算法工具箱，支持已知的单目标，多目标遗传算子。

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。