改进非支配排序遗传算法NSGA-II (188)代码实现.rar

在地基伪卫星定位系统独立组网时，可将其布站问题转换为多目标优化问题求解，以提高系统信号覆盖率、优化基站几何布局为目标，从而达到减少基站数量同时保证良好定位精度的目的。提出了基于带精英策略的非支配排序遗传（NSGA-Ⅱ）算法的伪卫星系统多目标布站方法，通过可视域分析技术确定系统信号覆盖率，并采用一种多矩阵相乘的加权水平精度因子计算方法衡量基站几何布局，最后利用NSGA-Ⅱ算法求解两个优化目标的非支配最优解集。以张家界某山区地形进行仿真，结果显示只需28个基站系统信号覆盖率就可以达到90%，同时能保证系统基站几何布局较优，性能优于普通遗传算法，在实际工程布站应用中有一定的指导意义。

针对传统多目标优化算法在其领域存在的多个子目标不能同时取优的问题，提出了一种基于改进的非支配排序遗传算法（non-dominated sorting genetic algorithm-Ⅱ，NSGA-Ⅱ）多目标优化方法。以多目标优化遗传算法为基础，多输入多输出的反向传播（back-propagation，BP）神经网络为适应度函数评价体系，保证算法快速收敛并搜索到全局最优解集。该算法在建模前对实验数据进行主成分分析，降低了运算时间和算法难度，通过在遗传进化过程中引进正态分布交叉算子（normal distribution crossover，NDX）和改进的自适应调整变异算子，实现了多个目标同时取优，保证Pareto最优解集快速、准确地获取。仿真实验使用UCI数据集，通过与其他常用的多目标优化算法对比，验证了改进的NSGA-Ⅱ算法精确度更高、收敛速度更快、稳定性更强。

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

两个NSGA_II的Matlab代码，其中一个和原论文算法基本相同，另一个对算法使用算子进行了改进。在相同迭代次数前提下，后者相较前者运行速度更快，收敛性更好。是文章【https://blog.csdn.net/qq_43472569/article/details/121082682】的资源。

基于NSGA-II的有约束限制的优化问题实例matlab编程代码

混合NSGA-Ⅱ算法求解多目标柔性作业车间调度问题_NSGA调度_NSGA_NSGA-Ⅱ_柔性车间_柔性车间调度.zip

NSGA-III基于mtalab的实现，代码详细，采用先使用非支配排序后归一化的操作，有需要的志同道合的朋友可以自取

01-有约束的NSGA-2算法matlab实现-Constrained NSGA2.rar