针对带有约束条件的多目标函数，进行多目标参数优化

NSGA-II 多目标遗传算法MATLAB实现，实测可以运行，可以参考

美国国家标准学会 根据文章，NSGA-III算法在C ++中的实现： Kalyanmoy Deb和Himanshu Jain，一种使用基于参考点的非支配排序方法的进化多目标优化算法，第一部分：解决盒子约束问题。 IEEE进化计算学报，第1卷。 18，第4号，第577-601页，2014年8月。doi：10.1109 / TEVC.2013.2281535。 该代码使用DTLZ和WFG测试问题进行了测试，获得的结果与作者报告的结果非常相似。 欢迎提供贡献和错误修复。 示范 演示“ src / main_nsga3.cpp”包含NSGA-III算法的可伸缩性测试，方法是将目标数量从3个改为10个（考虑到DTLZ2问题）。 编译特定的目标文件： make Makefile

改进非支配排序遗传算法NSGA-II (188)代码实现.rar

一个简单而快速的NSGA-II，可以处理受约束的问题。 两个主要特点是： - 可以在同一个/单独的文件中包含约束- 可以用许多有趣的设计（用户可以选择一些起点）来播种初始一代。

nsga-ii的matlab代码EvoLib 版本 1.0.0 - 8/13/2018 EvoLib 是 NSGA-II、Unified NSGA-III (U-NSGA-III) 和 Balanced NSGA-III (B-NSGA-III) 的开源实现。 NSGA-II 是一种众所周知的进化多目标优化 (EMO) 算法，可以有效地处理多达两个目标。 U-NSGA-III 和 B-NSGA-III 是两种进化多目标优化 (EMO) 算法，可以向上扩展以处理多个目标，向下扩展以仅处理一个目标。 B-NSGA-III 建立在 U-NSGA-III 之上。 如果您只是对应用可扩展的 EMO 算法来解决优化问题的多个维度版本（每个版本有不同数量的目标）感兴趣，U-NSGA-III 就足够了。 另一方面，如果您需要通过应用局部搜索和使用 Karush Kuhn Tucker Proximity Measure (KKTPM) 和 EMO 来实现收敛和多样性之间的自动平衡，B-NSGA-III 应该是您的选择。 请注意，B-NSGA-III 默认使用 Matlab fmincon(...) 进

MOEA-NSGA-II 多目标进化算法MATLAB程序 NSGA MATLAB程序

NSGA—II is a fammous algorithm used to solve two multi-objective optmization.

针对NSGA-II算法在模拟二元交叉算子（SBX）算子，收敛速度和分集性能方面的不足，将反向学习机制（RLM）应用于初始化和进化过程。通过一系列的ZDT测试函数在收敛性和多样性评估两个方面，表明改进的NSGA-II算法在收敛速度，收敛性和多样性方面都优于NSGA-II算法。

整个系统（目标）的整体效率和燃料使用受抽气压力 (opt.vars) 的影响。 热力学状态已通过 MATLAB 中的 CoolProp 工具箱提取。 首先，我们必须以最大化效率然后最小化燃料使用的方式指定压力。 这个过程是一个单目标优化。 之后，我们不得不同时优化两个目标，这是一个多目标优化。 对于此过程，我们在MATLAB中使用了NSGA（II）。 结果报告了获得的帕累托前沿。 PS：NSGA（II）是非支配排序遗传算法（版本2），它是一种进化方法。 （元启发式）