MOEAD(基于分解的多目标进化算法)-张青富经典论文moead-A Multiobjective Evolutionary Algorithm Based on Decomposition翻译

安徽大学制作的多目标进化算法平台 100+ open source evolutionary algorithms 200+ open source multi-objective test problems Powerful GUI for performing experiments in parallel Generating results in the format of Excel or LaTeX table by one-click operation State-of-the-art algorithms will be included continuously

PlatEMO是基于MATLAB的多目标优化算法平台，内涵多种遗传算法和进化算法，其中PlatEMO v1.5 可以调用图形界面，算法较为齐全并且最新的。 将此代码包解压，复制到PlatEMO的Algorithms文件夹里面，就可以在PlatEMO的里调用MOEA/D-M2M。

内容全面，方便调试，代码清晰，易于理解，本人已经用过，可信任

针对多目标进化算法处理约束高维多目标优化问题时出现解的分布性和收敛性差、易陷入局部最优解问题,采用Pareto支配、分解与约束支配融合的方法,提出一种基于分解约束支配NSGA-II优化算法(DBCDP-NSGA-II).该算法在保留NSGA-II中快速非支配排序的基础上,首先采用Pareto支配对种群进行支配排序;然后根据解的性质采用分解约束支配(DBCDP)惩罚等价解,保留稀疏区域的可行解和非可行解,提高种群的分布性、多样性和收敛性;最后采用个体到权重向量的垂直距离和拥挤度距离对临界值进行再排序,直到选出N个最优个体进入下一次迭代.以约束DTLZ问题中C-DTLZ1、C-DTLZ2、DTLZ8、DTLZ9测试函数为例,将所提出的算法与C-NSGA-II、C-NSGA-III、C-MOEA/D和C-MOEA/DD进行对比分析.仿真结果表明,DBCDP-NSGA-II所得最优解分布更加均匀,具有更好的全局收敛性.

MOEA/D算法Java实现 可以运行代码来自网络，written by Wudong Liu，仅用于学习交流

超体积计算 该项目包含用于计算Pareto集超容量的开源代码集合。 可能已从原始代码中修改了代码，以使它们的接口标准化。 此处张贴的所有代码均与兼容。 有关使用外部超容量计算器的更多信息，请参见《 MOEA框架用户手册》中的10.1节。 WFG设定 运行make进行编译。 将wfg2复制到MOEA Framework根目录。 修改global.properties以包括以下几行： org.moeaframework.core.indicator.hypervolume = ./wfg2 {2} org.moeaframework.core.indicator.hypervolume_inverted = true HOY设置 运行make进行编译。 将hoy复制到MOEA Framework根目录。 修改global.properties以包括以下几行： org.moeaframewo

每行代码都有注释，以及其中某些方法选择的原因，非常容易看懂！代码以经典测试问题为主，完全可以运行，本人还会写博客来帮助大家更好的理解代码思想

张青富MOEA/D经典论文代码,这是几版MOEA/D最好的一版， %程序功能：实现MOEAD算法，测试函数为ZDT1,ZDT2,ZDT3,ZDT4,ZDT6,DTLZ1,DTLZ2 %说明：遗传算子为模拟二进制交叉和多项式变异 %作者：(晓风) %email: 18821709267@163.com %最初建立时间：2018.09.30 %最近修改时间：2018.10.08 %参考论文： %MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition %Qingfu Zhang, Senior Member, IEEE, and Hui Li %IEEE TRANSACTIONS O

多目标分解算法代码，配合张庆福06年发的文章看，MATLAB实现注释很详细. 基于分解的多目标进化算法（Multi-objectiveEvolutionary Algorithm Based on Decomposition, MOEA/D）将多目标优化问题被转化为一系列单目标优化子问题，然后利用一定数量相邻问题的信息，采用进化算法对这些子问题同时进行优化。因为Pareto前沿面上的一个解对应于每一个单目标优化子问题的最优解，最终可以求得一组Pareto最优解。由于分解操作的存在，该方法在保持解的分布性方面有着很大优势，而通过分析相邻问题的信息来优化，能避免陷入局部最优。