我们提出了一种名为 SOMA Pareto 的新方法，其中算法分为组织、迁移和更新过程。 组织过程中的重要关键是应用帕累托原则来选择迁移者和领导者，提高算法的性能。 自适应PRT，Step和PRTVector参数用于增强搜索有希望的子空间然后集中精力开发该子空间的能力。

该函数生成帕累托分布的 iid 随机变量。

我们提出了一种名为 SOMA Pareto 的新方法，其中算法分为组织、迁移和更新过程。 组织过程中的重要关键是应用帕累托原则来选择迁移者和领导者，提高算法的性能。 自适应PRT，Step和PRTVector参数用于增强搜索有希望的子空间然后集中精力开发该子空间的能力。

使用具有非支配二元排序的遗传算法NSGA-II（Deb，2002）进行多目标Traveller Salesman优化（Jensen，2003）。

ZDT1-6与DTLZ1-7的真实最优前端数据集,用于与求出的parteo最优前端做比较。数据集可以直接调用

为了利用ROC曲线下的面积(AUC),更好地评价多类SVM学习效果,提出了MOSMAUC(multi-objective optimizes multiclass SVM based on AUC)算法。该算法采用AUC作为评价标准,利用多目标优化算法作为SVM参数的优化方法,避免优化对象的AUC值过低问题,因为在多类分类学习中任何一个两类分类的AUC值太低,都会影响整体学习的效果。实验结果表明,提出的优化方法改进了算法的学习能力,取得了较好的学习效果。

设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的。算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto最优解集的多样性。仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为ο(mn2)(m表示的是目标函数的个数,n是种群的规模)。

主要介绍了博弈论及nash均衡在控制理论中的一些基础应用，这本书是两者的结合，主要用来考虑系统的优化问题，需要的可以阅读！

这是一种遗传优化算法NSGA-II，使用它可以选出一组最优的pareto解集。

基于Pareto的优化算法求解服务机器人的多目标路径规划