NAGAII,NSGAIII,MOEAD,MOEAD-DE,MOEA-DRA,MOEAD-M2M,SPEA2,SPEA2-SDE,GrEA,e-MOEA全套代码中文注释，DTLZ,WFG,ZDT,UF,MOP,MOKP全套数据集，亲测能运行，有结果图，能计算IGD值等多种指标。。

1、MOEA/D-FD是一种求解动态多目标优化问题的新算法，在动态多目标优化问题中，多目标函数和/或约束可能会随时间变化，这就需要多目标优化算法跟踪运动的Pareto最优解和/或Pareto最优前沿。当检测到环境变化时，设计一阶差分模型来预测一定数量Pareto最优解的新位置。另外，旧的pareto最优解的一部分被保留到新种群中。将预测模型融合到基于分解的多目标进化算法中，求解动态多目标优化问题。通过这种方式，可以更快地跟踪更改后的POS或POF。该算法在多个具有不同动态特性和难度的典型基准问题上进行了测试。实验结果表明，该算法在求解动态多目标优化问题时具有较好的性能。 2、文件夹中包括了该算法的论和相关Matlab代码的实现。

有关更多信息，请参阅以下链接： http://yarpiz.com/95/ypea124-moead

进化计算（九）——MOEA/D代码实现及中文详解（Matlab）文章【https://blog.csdn.net/qq_43472569/article/details/121457243】的资源，对二目标优化效果很好

基于MATLAB的多目标优化算法平台，内涵多种遗传算法和进化算法，图形界面，算法齐全并且最新的。

MOEA-NSGA-II 多目标进化算法MATLAB程序 NSGA MATLAB程序

首先针对常规多目标优化算法求解高维多目标优化时面临的选择压力衰减问题进行论述;然后针对该问题,按照选择机制的不同详细介绍基于Pareto支配、基于分解策略和基于性能评价指标的典型高维多目标优化算法,并分析各自的优缺点;接着立足于一种全新的性能评价指标-----R2指标,给出R2指标的具体定义,介绍基于R2指标的高维多目标优化算法,分析此类算法的本质,并按照R2指标的4个关键组成部分进行综述;最后,发掘其存在的潜在问题以及未来发展空间.

这是有关MOEA/D的原始论文的源代码（Qingfu Zhang），算例齐备，直接可以使用，有详细的解释，并且附带论文

MOEA框架是一个免费的开源Java库，用于开发和试验多目标进化算法（MOEA）和其他通用多目标优化算法。 MOEA框架支持遗传算法，差分进化，粒子群优化，遗传编程，语法进化等。 提供了许多开箱即用的算法，包括NSGA-II，NSGA-III，ε-MOEA，GDE3和MOEA / D。 此外，MOEA框架提供了快速设计，开发，执行和统计测试优化算法所需的工具。

NSGA-Ⅱ是最流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。NSGA-Ⅱ就是在第一代非支配排序遗传算法的基础上改进而来，其改进主要是针对如上所述的三个方面： ①提出了快速非支配排序算法，一方面降低了计算的复杂度，另一方面它将父代种群跟子代种群进行合并，使得下一代的种群从双倍的空间中进行选取，从而保留了最为优秀的所有个体； ②引进精英策略，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度； ③采用拥挤度和拥挤度比较算子，不但克服了NSGA中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，保证了种群的多样性。