该存储库包含“汤普森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昂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）和化学过程仿真成本的同时优化[2]。 但是，该算法也可以应用于其他黑盒函数，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中识别几个有希望的点（批量顺序模式）。 这允许并行评估多个模拟。 [1] Bradford，E.，Schweidtmann，AM和Lapkin，A. J Glob Optim（2018）。 https://doi.org/10.1007/s10898-018-0609-2 [2] D. Helmdach, P. Yaseneva, PK Heer, AM Schweidtmann, AA Lapkin, ChemSusChem 201

PICEA-g是一种新的多目标优化算法，算法性能，特别是在高维多目标问题上，优于NSGA-II等经典算法。 The PICEA-g is a evolutionary multiobjective algorithm. It performs well on both bi- and many-objective problems. In this package the PICEA-g can only handle unconstrained multiobjective problems. Readers can contact ruiwangnudt@gmail.com for more details

进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,已经成为进化计算领域的研 究热点之一.在简要总结2003 年以前的主要算法后,着重对进化多目标优化的最新进展进行了详细讨论.归纳出 当前多目标优化的研究趋势,一方面,粒子群优化、人工免疫系统、分布估计算法等越来越多的进化范例被引入多目标优化领域,一些新颖的受自然系统启发的多目标优化算法相继提出;另一方面,为了更有效的求解高维多 目标优化问题,一些区别于传统Pareto 占优的新型占优机制相继涌现;同时,对多目标优化问题本身性质的研究 也在逐步深入.对公认的代表性算法进行了实验对比.最后,对进化多目标优化的进一步发展提出了自己的看法. 关键词: 多目标优化;进化算法;Pareto 占优;粒子群优化;人工免疫系统;分布估计算法

十分钟就能够入门多目标优化算法，可以对多目标优化有一个新的认识以及新的理解，包括帕累托最优，帕累托前沿等知识

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.

利用粒子群算法解决多目标优化问题，包含了gui代码和工具箱

基于matlab的遗传算法的非支配排序遗传算法，多目标优化算法 可以用于多目标优化，多变量回归，求解最优值

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)��

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

在求解多目标优化问题时,针对粒子群优化算法容易陷入局部极值的现象,提出了一种组合粒子群和差分进化的多目标优化算法,使用粒子群优化算法和差分进化算法共同产生新粒子,通过一个判断因子控制两种算法的使用比例,并对粒子群优化算法的速度更新公式进行了改变,以提高搜索效率。通过三个测试函数进行了仿真,并同NSGA-Ⅱ、MOPSO-CD进行了比较。实验结果表明改进算法求得的Pareto解集收敛性和多样性好,并且算法稳定性高,运行速度快。