nsga2算法matlab代码这是基于NSGA-II的多目标进化算法（MOEA）。 最终目的是解决开源软件的发布时间和管理问题 NSGA是一种流行的基于非控制的遗传算法，用于多目标优化。 原始NSGA-II代码可在函数nsga_2（pop，gen）中找到。 该函数的输入参数是种群大小和世代数。 出于定制目的，用户可以通过修改m文件（evaluate_objective.m）来自由修改目标函数（多个决策变量的函数）。 传统上，优化的软件发布时间问题将多决策空间减少为单目标优化问题。 尽管这些表述简化了问题并降低了涉及的复杂性，但是解决方案并不能解决涉及的每个目标。 我们使用基于非控制的遗传算法来解决开源软件的发布时间问题，其原因有两个：1.要同时实现最大的可靠性和最小的成本。 2.进化算法保证了解的质量。 我们没有使用单个遗传算法找到一组最优解，而是找到了一个最优解。 众所周知，这些解决方案是帕累托最优解决方案。 在针对多目标问题的一组帕累托最优解中，在最后一个目标中，每个解决方案都必须比另一个更好。 我们考虑的目标是1.可靠性2.成本3.测试资源消耗 如何运行： nsga_2（pop，

以接近Matlab代码的编程结构，采用Python语言实现了基于非支配排序的多目标遗传算法——NSGAII，注释丰富，程序易于理解，所采用的主要是“创建函数-调用函数”模式。 首先根据搜集到的数据绘制目标问题的理论非劣前沿，然后初始化一组方案点，通过NSGAII对方案点的决策变量不断优化，最终这群方案点均落在理论非劣前沿附近，程序在解决两个目标的问题时表现较好，在进化到第20代就能接近理想情况

多目标优化算法设计源代码，供大家学习研究使用

基于多目标优化算法的多无人机协同航迹规划

行业-电子政务-基于自适应正交交叉的多目标优化算法的个性化电影推荐方法.zip

量子粒子群多目标优化算法及其在云计算调度优化中的应用研究.pdf

从多目标配矿的复杂性出发，提出具有模糊性的多目标配矿问题，并设计出了基于管理者语言偏好和决策者满意度的模糊优化算法，该算法从最优性模型和重要性模型两方面进行改进．最后通过具体矿山实例对算法进行实现研究，根据实际配矿目标的各种要求，从算法的有效性、灵活性和灵敏性等特性进行分析．

对于多目标优化问题，通常存在一个解集，因此将介绍 NSGA-Ⅱ 算法的 Matlab 编写（有详细注释），包括有对应论文来指导学习该算法。

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.

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