针对在现有邮路运输的基础上加载一体化物流项目后的邮政物流车辆调度与路径选择优化问题，建立了基于硬时间窗、车辆混合搭载、往返归集的多目标邮政物流车辆路径问题数学模型，以四川邮政雅芳一体化混合物流2008年5月的数据为例，利用自适应的多态蚁群算法对带时间约束多目标混合邮政物流VRP进行了求解。结果表明多态蚁群算法可以求解多目标邮政物流VRP，能提高收敛速度和寻优性能。

配送中心两点间的多目标最优路径问题建模和优化。

NSGA-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。

30个数学建模智能算法及MATLAB程序代码: chapter10基于粒子群算法的多目标搜索算法.rar chapter11基于多层编码遗传算法的车间调度算法.rar chapter12免疫优化算法在物流配送中心选址中的应用 .rar chapter13粒子群优化算法的寻优算法.rar chapter14基于粒子群算法的PID控制器优化设计.rar chapter15基于混合粒子群算法的TSP搜索算法 .rar chapter16 基于动态粒子群算法的动态环境寻优算法.rar chapter17基于PSO工具箱的函数优化算法.rar chapter18鱼群算法函数寻优.rar chapter19基于模拟退火算法的TSP算法.rar chapter1遗传算法工具箱.rar chapter20基于遗传模拟退火算法的聚类算法.rar chapter21模拟退火算法工具箱及应用.rar chapter22蚁群算法的优化计算——旅行商问题(TSP)优化 .rar chapter23基于蚁群算法的二维路径规划算法.rar chapter24 基于蚁群算法的三维路径规划算法.rar chapter25有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测.rar chapter26.rar chapter27无导师学习神经网络的分类——矿井突水水源判别.rar chapter28支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断 .rar chapter29支持向量机的回归拟合——混凝土抗压强度预测.rar chapter2基于遗传算法和非线性规划的函数寻优算法 .rar chapter30极限学习机的回归拟合及分类.rar chapter3基于遗传算法的BP神经网络优化算法 .rar chapter4sa_tsp.rar chapter5基于遗传算法的LQR控制器优化设计.rar chapter6遗传算法工具箱详解及应用 .rar chapter7多种群遗传算法的函数优化算法.rar chapter8基于量子遗传算法的函数寻优算法 .rar chapter9基于遗传算法的多目标优化算法.rar

针对传统遗传算法求解的缺陷 及多目标TSP问题解的特性，进行了一系列的改进，首先采用Grefenstettet编 码对候选初始解进行编码，引进了一个线性函数来计算选择概率，提出了一种 改进的交叉和变异算子，建立多目标旅行商问题模型，设计出了一种能够较好 求解多目标TSP问题的遗传算法．计算机仿真实验验证了该算法的有效性．

多目标优化是指在约束条件下有两个或两个以上优化目标，且这些目标相互矛盾，一个目标往往以牺牲另一个目标为代价，故多目标优化问题存在多个最优解，统称为pareto最优解。

配电网重构是优化配电网络的主要措施,是指在满足支路载流、电压等约束条件下，决策联络开关或分段开关的状态，寻求最佳的辐射网络结构，使网损最小或以最优方式恢复供电。配电网络重构在数学上是一个多目标非线性混合优化问题，基于人工鱼群算法研究配电网重构，解决多目标投资组合问题，对并网后的配电网优化运行管理具有重要的理论意义和实际意义： 1、 首先求出多目标优化问题的Pareto最优解集,然后根据具体要求从Pareto最优解集中选出一个或几个解作为最终的方案。这种后评价方法相比先评价方法具有能得到优化问题的Pareto最优解集、对非凸、离散空间也有良好的搜索能力等优点。

Matlab编程，用于计算作业车间中的最大完工时间、总延期、设备总负载、能耗总量多个目标的优化计算，基于NSGA2进行作业车间多目标优化调度的计算

PlatEMO是基于MATLAB的多目标优化算法平台，内涵多种遗传算法和进化算法，其中PlatEMO v1.5 可以调用图形界面，算法较为齐全并且最新的。 将此代码包解压，复制到PlatEMO的Algorithms文件夹里面，就可以在PlatEMO的里调用MOEA/D-M2M。

在充分理解题意的基础上，我们提出了合理的假设。通过对问题的深入分析和对草鱼损失率的不同理解，我们建立了三个模型。 模型一中，损失率是基于水库草鱼的总量，草鱼的损失是一些定值的累加。在这种情况下，我们进行了粗略的估算，在日供应量方面，我们让每日草鱼的供应量达到售价方面的临界值。提出了四个可行的方案。通过比较认为方案四•能使总利润达到最大值404636元，共损失草鱼量为2625kg,当且仅当第1天至第15天，日供应量为1000kg,单价为25元，第16天至19天，日供应量为1500kg，单价为20元。第20天售出1375kg，单价为20元。 在模型二、三中，为了更接近现实生活中的情况及人们的认知观，我们对第n天草鱼的损失率的理解是基于第n-1天剩下的草鱼而言。模型二，不考虑日供应量在1500kg以上的情况，运用LINGO解出的结果为总利润的最大值为 元，草鱼的损失为7113.960kg。第1天到第14天及第16天，每天售出草鱼1000kg,第19天售出886.04kg，其余每天售出500kg。 模型三在模型二的基础上做了一些改进(如考虑日供应量在1500kg以上的情况)，建立了多目标的规划模型，求得总利润的最大值为332875元，草鱼的总死亡量为8828.493kg。第2天到第5天及第11天到16天，每天售出1000kg,其余每天售出500kg。