这是多目标花卉授粉算法的演示代码。 OFPA--多目标花卉授粉算法。该演示解决了一个 D=30（维度）的双目标 ZDT 函数，可以扩展该函数以解决其他多目标优化问题。扩展此代码以解决其他多目标函数和优化问题相对简单。您可以更改目标函数、维度、各种参数以及简单的下限和上限（Lb、Ub）。 X.-S. 杨，M. Karamanoglu，X.-S。他，花卉授粉算法：一种多目标优化的新方法，工程优化，卷。46，没有。9, 1222-1237 (2014)。 杨，新社，等。“花授粉算法：一种多目标优化的新方法。” 工程优化，第一卷。46，没有。9，Informa UK Limited，2013 年 10 月，第 1222–37 页，doi:10.1080/0305215x.2013.832237。

多目标 Harmony Search 优化算法作为 Matlab 函数 标和谐搜索优化算法 这是一个函数脚本，用于解决具有多个目标函数的优化问题。Harmony Search算法是平衡局部和全局搜索的最佳优化算法之一。找到最佳解决方案既简单又快速有效。 这个脚本是感谢为另一个多目标算法制作这个脚本的作者而创建的，这里我将其更改为 Harmony Search 算法。

多目标非排序鲸鱼优化算法 (MOWOA) (NSWOA) MATLAB 代码

高效多目标优化 (TSEMO) 算法 该存储库包含“Thompson 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) 和化学过程模拟成本的同步优化 [2]。但是，该算法也可以应用于其他黑盒功能，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（批量顺序模式）中识别出几个有希望的点。这允许并行评估多个模拟。

基于分解的多目标进化算法(具有动态资源分配 (DRA) 的 MOEA/D) Decomposition Based Multi Objective Evolutionary Algorithm 代码是基于基于分解的多目标进化算法（MOEA/D）的思想和资源分配策略开发的。资源分配策略用于为 MOEA/D 中所需的子问题分配计算资源。 Mohaideen abdul kadhar K (2022)。基于分解的多目标进化算法

GODLIKE (Global Optimum Determination by Linking and Interchanging Kindred Evaluators) 是各种基于种群的全局优化方案的泛化。此外，它只需添加额外的目标函数即可处理单目标和多目标优化。 GODLIKE 使用遗传算法、差分进化、粒子群优化和自适应模拟退火算法的相对基本实现来解决优化问题。它的强大之处在于这些不同的算法同时运行（链接），并且来自每个群体的成员偶尔会交换（交换）以减少收敛到局部最小化器的机会。 它的主要目的是提高鲁棒性，而不是提高效率，因为它通常需要比单独的任何算法更多的功能评估。它还旨在消除每次遇到优化问题时都需要微调这些算法，并概括优化本身（它既是单目标优化器又是多目标优化器），并生成要使用的简单图在快速报告等

多目标Jaya算法简称MOJaya，是一种基于SPEA2（提高强度帕累托进化 算法）和Jaya算法的新型优化算法。 Multi-objective Jaya Algorithm (MOJaya)

Multi-Objective Particle Swarm Optimization (MOPSO) 此函数执行多目标粒子群优化 (MOPSO) 以最小化连续函数。该实现是可以忍受的、计算成本低且压缩的（该算法只需要一个文件：MPSO.m）。提供了一个“example.m”脚本以帮助用户使用该实现。还值得注意的是，为了便于理解，代码被高度注释。该实现基于 Coello 等人的论文。(2004)，“用粒子群优化处理多个目标”。 重要提示：您指定的目标函数必须是矢量化的。这意味着它将获取整个种群（即矩阵 Np x nVar，其中 Np 是粒子数，nVar 是变量数）并且它期望接收每个粒子的适应度值（即向量 Np × 1)。如果函数没有向量化并且只接收一个值，那么代码显然会出现错误。 引用为

MOMRFO：多目标蝠鲼觅食优化器 在 MOMRFO 中，集成了一个固定大小的外部存档，通过在优化过程中保存最佳 Pareto 集来维护精英概念。该存档基于网格机制进行更新，以在目标空间内保持蝠鲼的良好分布。 主要论文可以在这里找到：A. Got, D. Zouache, A. Moussaoui, MOMRFO: Multi-Objective Manta Ray Foraging Optimizer for processing engineering design questions, Knowledge Based-Systems, DOI: https://doi.org/ 10.1016/j.knosys.2021.107880

改进的多目标蝠鲼觅食优化(使用基于拥挤距离的 Pareto 归档策略的改进 MOMRFO 优化多目标最优潮流问题) 为与目标函数冲突的优化问题找到可行的解决方案集提出了重大挑战。此外，在此类问题中，复杂程度可能会根据目标空间和决策空间的几何形状而增加。解决具有高度复杂性的多目标问题的最有效方法是使用基于帕累托的归档方法的搜索算法。最近，拥挤距离方法已被用于提高基于帕累托的归档方法的性能。本文介绍了针对目标函数冲突的多目标最优潮流 (MOOPF) 问题找到最优解集的方法开发的研究。以此目的，使用基于拥挤距离的帕累托归档方法开发了一种强大而有效的方法。所开发方法的性能在 24 个不同类型和难度级别的基准问题上进行了测试，并与竞争算法进行了比较。使用统计测试方法分析了从实验试验中获得的数据和四种不同的性能指标。分析结果表明，所提出的方法在不同类型的多目标优化问题上产生了具有竞争力的性能，并且能够在文献中找到现实世界 MOOPF 问题的最佳解决方案。使用统计测试方法分析了从实验试验中获得的数据和四种不同的性能指标。分析结果表明，所提出的方法在不同类型的多目标优化问题上产生了具有竞争力的性能