进化多目标优化平台 由安徽大学BIMK（生物启发情报与挖掘知识研究所）和萨里大学NICE（自然启发计算与工程小组）共同开发 150多种开源进化算法 300多个开源基准测试问题 强大的GUI可并行执行实验 一键式生成Excel或LaTeX表格式的结果 最先进的算法将不断被包括在内 非常感谢您使用PlatEMO。 PlatEMO的版权属于BIMK集团。 该工具主要用于研究和教育目的。 这些代码是根据我们对论文中发布的算法的理解而实现的。 您不应以网站上的材料或信息为依据来做出任何业务，法律或任何其他决定。 我们对您在工具中使用任何算法所造成的任何后果不承担任何责任。 使用该平台的所有出版物都应承认使用“ PlatEMO”并参考以下文献： 版权 PlatEMO的版权属于BIMK组。 您可以自由地用于研究目的。 使用此平台或平台中任何代码的所有出版物都应承认使用“ PlatEMO”，并引用“田野

一、遗传算法概述 二、多目标优化问题 三、实例1——Rosenbrock函数最值问题 四、实例2——智能组卷问题

基于PSO的多目标优化问题

为实现微电网系统运行的经济和环境双重优化目标，以独立的系统仿真模块和运行优化模块为核心，建立了微电网多目标动态优化调度的一般模型。仿真模块使用能量模型对系统调度方案的经济、环境指标进行评估，运行优化模块则使用多目标遗传算法NSGA-Ⅱ ，结合仿真模块的评估结果对调度方案进行优化。在NSGA-Ⅱ中引入了初始点引导技术和去重操作，有效地改善了算法的收敛性能和Pareto前沿的分布特性。将该模型和方法应用于典型风光蓄柴微电网系统的日前优化调度，证实了所建模型和所提方法的有效性。

NSGA2优化算法Matlab求解多目标优化问题，遗传算法优化+帕累托排序，有效地解决了多目标优化问题，算例可行有效。

针对云计算的高能耗问题,从系统级节能角度,提出一种节能的资源调度算法.首先,建立云计算的两级资源调度模型;综合考虑主机的工作、空闲和休眠等多种状态建立能耗模型,并用多功能计量插座加以验证.然后,提出基于遗传算法的最小能耗资源调度算法(minimum energy consumption based on genetic algorithm,MECGA),根据云任务的服务质量(quality of service,QoS)需求产生初始种群,以系统能耗最小为调度目标设计适应度函数,并根据染色体适应度的正态分布函数和种群的进化代数设计遗传算子.仿真结果表明,所提算法能够有效降低系统总能耗、缩短任务完成时间.

基于mopso的标准程序。内有详细代码介绍

云计算中虚拟机资源调度多目标优化

本资源可以用于多个目标函数以及多个变量，例如三目标三变量

NSGA-Ⅱ算法是 Srinivas 和 Deb 于 2000 年在 NSGA 的基础上提出的，它比 NSGA算法更加优越：它采用了快速非支配排序算法，计算复杂度比 NSGA 大大的降低；采用了拥挤度和拥挤度比较算子，代替了需要指定的共享半径 shareQ，并在快速排序后的同级比较中作为胜出标准，使准 Pareto 域中的个体能扩展到整个 Pareto 域，并均匀分布，保持了种群的多样性；引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。