在多目标进化算法中，时间复杂度过高是普遍的问题，特别是三个目标函数以上时，解的等级分配占用了过多的运算时间。针对三目标问题，利用帕累托支配关系，对解的等级分配进行研究，发现经典的等级排序及分配方法存在一定的冗余操作，需对全部的解先排序后，才能再分配等级并选择下一代，造成部分不必要的运算。为减少该冗余，利用帕累托非支配关系结合差分进化，实现高效三目标进化算法。算法每次迭代对种群中最高等级的个体进行计算，在分配等级同时进行选择后代个体操作，当后代种群生成时便跳出计算，从而减少个体的计算数量，降低运算量；同时给出该方法的相关理论分析和证明过程。针对一系列三目标优化问题，将提出方法与著名排序方法NSGAⅡ及近年来优秀的ENS方法进行对比实验。仿真实验结果表明，提出方法在时间复杂度和收敛速度上优于经典方法，稍差于ENS方法。在标准测试函数DTLZ1-DTLZ6的性能上，提出方法近似于ENS方法，优于NSGAⅡ算法，从而验证了提出方法的有效性和正确性。

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。

行业分类-物理装置-基于非活动非支配解的多目标货物装载求解系统及方法.zip