非排序遗传算法 II (NSGA-II) 的可承受和压缩实现 此函数执行非排序遗传算法 II (NSGA-II) 以最小化连续函数。该实现是可以忍受的，计算成本低且压缩（该算法只需要一个文件：NSGAIII.m）。提供了一个“example.m”脚本以帮助用户使用该实现。还值得注意的是，为了便于理解，代码被高度注释。该实现基于 Deb 等人的论文。(2002)，“一种快速和精英的多目标遗传算法：NSGA-II”。

多目标优化非排序遗传算法能够解决混合整数非线性问题。 能够求解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，包括整数变量问题。 指南： 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”

多目标优化学习NSGA-II笔记

6NSGA-Ⅱ算法是 Srinivas 和 Deb 于 2000 年在 NSGA 的基础上提出的，它比 NSGA算法更加优越：它采用了快速非支配排序算法，计算复杂度比 NSGA 大大的降低；采用了拥挤度和拥挤度比较算子，代替了需要指定的共享半径 shareQ，并在快速排序后的同级比较中作为胜出标准，使准 Pareto 域中的个体能扩展到整个 Pareto 域，并均匀分布，保持了种群的多样性；引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。

面向微服务实例在不同资源中心的组合部署与调度问题,构建微服务组合部署与调度最优化问题模型。以资源服务中心计算及存储资源利用率、负载均衡率和微服务实际使用率等为优化目标,以服务的完备性、资源与存储资源总量和微服务序列总量为约束条件,提出基于进化多目标优化算法(NSGA-Ⅲ, MOEA/D)求解方法,寻求微服务序列在不同资源中心的实例组合部署与调度策略。通过真实数据集实验对比,在全部满足用户服务请求的约束下,该策略比传统微服务组合调度策略的计算、存储资源平均空闲率和微服务实际空闲率要分别低13.21%、5.2%和16.67%。

多目标遗传算法，MATLAB编程。

nsga-ii的matlab代码NSGA-II-循环-设施-位置 该存储库包含我们 ISE754 课程（物流工程）项目的代码和报告。 在“Matlab 代码”文件夹中查找 Matlab 代码

针对约束多目标区间优化问题, 提出一种交互多属性决策NSGA-II 算法. 该算法将非线性问题线性化, 定义P占优支配关系求出个体的序值, 定义区间拥挤距离来区分具有相同序值个体的优劣, 采用约束精英策略删除种群中不满足约束的个体. 将选出的个体作为方案集, 目标函数作为属性集, 决策者对于各目标函数的偏好作为属性权重, 构建一个多属性决策模型, 在进化过程中融入该模型来选取符合决策者偏好的满意解. 仿真实验验证了所提出方法的可行性和正确性.

电力系统动态环境经济调度(DEED)在节能减排中具有举足轻重的地位。针对NSGA-Ⅱ的不足，提出一种具有可控精英主义的选择操作的改进NSGA-Ⅱ(MNSGA-Ⅱ)，在保证精英主义的前提下保证种群的多样性。对模型复杂约束的启发式操作中所遇到的进化受阻问题进行分析，并采用基于前向搜索算子的改进启发式操作解决该问题。利用新型成员函数表征Pareto最优解集中个体的优劣性，选出最佳折中解。经典10机系统算例仿真结果表明，与NSGA-Ⅱ相比，所提MNSGA-Ⅱ具有更佳的全局搜索能力。

考虑碳排放的车间调度问题，同时优化碳排放和最大完工时间，采用的NSGA-II算法，包括初试种群的生成，变异，交叉，选择等所有过程，最后还有画出甘特图的代码。一共求解了四个问题，典型的LA01(10×5)问题，FT06(6x6)问题及两个变式，所有过程都注释的很详细。