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）

基于MATLAB的多目标算法优化，用NSGA-II的算法思想进行多目标算法优化的源代码，可以实现三个及以上目标的测试函数

行业制造-电动装置-一种基于NSGA-II的电费缴纳点选址方法.zip

使用python编写程序，在 VS code中运行。源代码文件夹中包含两个子文件夹example，nsga2；example文件夹中包含ZDT1,ZDT2,ZDT3三个.py文件，运行这三个文件得到三个测试函数的实现结果。nsga2文件夹中的individual.py文件是定义了一个个体类；population.py定义了一个种群类；utils.py定义了快速非支配排序算法，拥挤度排序，以及种群的交叉变异；problem.py定义了个体的产生和目标函数值的产生；evolution.py定义了种群的进化。 参数设置： 目标函数：2 种群数：100 代数：1000 交叉分布指数：2 变异分布指数：5

该代码是免费提供的 Tamilselvi Selvaraj NSGA II Matlab 代码的修改版本，能够解决带约束的混合整数非线性规划。 使用上述算法解决了几个基准问题，包括整数变量的问题。 指导方针： 打开“NSGA_II_Abril_Test.m”。 选择您想要的“p”基准问题（p=2 ---> ZDT1 问题）。 运行“NSGA_II_Abril_Test.m”

NAG-II遗传算法代码，C++编程外加个人理解的注释，非常适合新手学习，欢迎大家一期交流。

非常好的NSGAII多目标遗传算法，仔细理解算法过程，便可掌握编写。遗传算法早在上世界50年代就已经被人提出并进行了阐发。它的核心就是遗传三算子，也就是选择，交叉和变异。通过随机选择的父代，对子代基因进行随机交叉和随机变异，从而形成新的种群。在种群中利用适应度函数对种群个体进行排序，选择出适应度好的个体进行下一代迭代

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。