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。

1.代码原理 该程序逐个读取帧图片，并对帧图片逐个进行多行人检测、多目标追踪。该方法是在线方法，将逐个读取帧图片改为逐帧读取视频即可实现在线处理视频。 1.1 多行人检测。 使用gluoncv中的预训练模型faster_rcnn_fpn_bn_resnet50_v1b_coco实现多行人检测，这一步骤见detect.py。 1.2 多目标追踪。 使用sort算法实现多目标追踪，详见https://github.com/abewley/sort。 2.代码部署 2.1 配置环境。 安装python==3.6，安装requirements.txt中要求的库（代码运行实际用到的库可能少于该文件，因此建议根据代码安装所需要的库）。 2.2 准备数据。 有两种方法准备数据： 2.2.1 将A-data文件夹放入当前目录，A-data文件夹中为Track1 Track2等子文件夹，每个子文件夹中存有.jpg帧图片。 2.2.2 修改run.py的第97行，将input_folder改为A-data文件夹所在路径。 2.3 运行程序run.py。 2.4 程序输出。 程序运行时会打印处理进度及估计的剩余时间。 程序运行完成后，会在当前目录下生成output文件夹，文件夹中存有Track1 Track2等数据集对应的检测结果，.avi文件用于观察检测追踪效果，.txt文件是用于提交的文本文件。 3.调参 3.1 多目标检测模型的选择。 修改detect.py第10行(YOLO.__init__)即可，可选模型及其名称、效果详见gluoncv官网 3.2 sort算法参数的修改。 run.py第34行，参数含义见sort.py。 3.3 将sort改为deepsort。 详见https://github.com/nwojke/deep_sort。 TODO：经尝试，经deep_sort处理后的检测框位置有变形、偏移现象，待解决。 3.4 输入输出路径见run.__main__

里面有个英文手册，我自己测试过，可以使用。 翻译手册里的步骤如下： 1.解压缩后，文件夹MOEA_SPEA2_MATLAB里面会有个source文件夹，再把source里的文件都拷贝到根目录。 2.将MOEA_SPEA2_MATLAB放在MATLAB的toolbox文件夹下，打开MATLAB，然后set path，之后将current directory定位到：D:\MATLAB7\toolbox\MOEA_SPEA2_MATLAB(这是我的存放地点) 3.首先运行build_spea2.m产生spea2.dll，这样就可以使用SPEA2算法啦 4.打开demo_moea.m，运行一下Demo看看，成功的话就说明可以放心使用这个算法了。 5.实验自己的用例：demo_funct.m里的函数更改成自己的就可以。

粒子群多目标优化算法，求解帕累托最优解，实现多目标优化，代码中包含案例，可运行

多目标智能优化算法及其应用，共8章，绪论、多目标进化算法、多目标粒子群算法、其他多目标智能优化算法、人工神经网络优化、交通与物流系统优化、多目标生产调度、店里系统优化及其他

自适应巡航控制系统多目标识别算法研究.caj

为降低建筑楼宇的能源消耗,研究建筑集群中的多个建筑楼宇共享冷热电联供系统、热能存储装置以及电池时的能源调度优化问题.考虑到建筑楼宇的能源需求和能源价格具有随机性,并且每个建筑楼宇以各自的费用最小化为目标,从随机规划和多目标的角度,建立建筑集群供能系统的两阶段多目标随机规划模型.为了提高模型的求解效率,提出将线性规划松弛与Benders分解算法相结合,从而获得建筑楼宇共享能源系统的Pareto最优解集.算例分析中通过CPLEX软件求解,对比分析不同随机因素对最优化建筑集群供能系统总费用以及建筑楼宇各自费用的影响程度,结果表明了所提出算法的有效性以及所构建的模型可以有效提高最优化决策的准确性.

进化多目标优化平台 由安徽大学BIMK（生物启发情报与挖掘知识研究所）和萨里大学NICE（自然启发计算与工程小组）共同开发 150多种开源进化算法 300多个开源基准测试问题 强大的GUI可并行执行实验 一键式生成Excel或LaTeX表格式的结果 最先进的算法将不断被包括在内 非常感谢您使用PlatEMO。 PlatEMO的版权属于BIMK集团。 该工具主要用于研究和教育目的。 这些代码是根据我们对论文中发布的算法的理解而实现的。 您不应以网站上的材料或信息为依据来做出任何业务，法律或任何其他决定。 我们对您在工具中使用任何算法所造成的任何后果不承担任何责任。 使用该平台的所有出版物都应承认使用“ PlatEMO”并参考以下文献： 版权 PlatEMO的版权属于BIMK组。 您可以自由地用于研究目的。 使用此平台或平台中任何代码的所有出版物都应承认使用“ PlatEMO”，并引用“田野

一、遗传算法概述 二、多目标优化问题 三、实例1——Rosenbrock函数最值问题 四、实例2——智能组卷问题