为了捕获柔性作业车间调度的多目标和不确定性，构建了具有发布时间不确定性的多目标柔性作业车间调度问题的数学模型（MOFJSSP-RTU），其中，制造时间跨度，拖延性，在各种约束下同时考虑了稳定性和鲁棒性。 为了适当地解决MOFJSSP-RTU问题，提出了一种改进的基于分解的多目标进化算法（IMOEA / D），用于鲁棒调度。 我们算法的新颖性在于它采用了一种新的子问题更新策略，该策略利用了全局信息，允许存档中记录的精英分子参与子代，并结合了基于修复的交叉算子和自适应差分进化（DE基于）的变异算子，有助于更好地平衡算法的探索和开发。 在4个问题实例上的实验结果表明，我们的基于IMOEA / D的鲁棒调度方法具有比最新的多目标优化进化算法（MOEA）更好的收敛性能，并且还擅长于保持解决方案的均匀分配。 还分析了三个目标之间的不同权衡。

nsga-ii的matlab代码 myMOEAcode 暂时是我在网上找到的代码的收集，目前只有三个：NSGA-III、MOMBI-II、AR-MOEA 这三个代码均是从PlatEMO的MATLAB中扣出来的，以便学习之用。

matlab多目标优化代码

MOEA-D-SDSS 基于自组织分解的多目标优化及其在耐撞性设计中的应用，应用软计算。

NSGA (No n- Do mina te d So r ting in Ge ne tic Alg o r ithms [5 ]) is a p o pula r no n-do mina tio n ba s e d g e ne tic a lg o r ithm fo r multi- o b je c tive o ptimiz a tio n. I t is a ve r y e ffe c tive a lg o r ithm but ha s b e e n g e ne r a lly c r itic iz e d fo r its c o mputa tio na l c o m-ple x ity, la ck o f e litis m a nd fo r cho o s ing the o ptima l pa r a mete r va lue fo r s ha r ing pa r a me te r σsh ar e . A mo difie d ve r s io n, NSGA- I I ( [3 ]) wa s de ve lo p e d, w hich ha s a b e tte r s o r ting a lg o r ithm , inc o r p o r a te s e litis m a nd no s ha r ing pa r a me te r ne e ds to b e cho s e n a priori. NSGA- I I is dis c us s e d in de ta il in this r e p o r t a nd two s a mple te s t func tio ns a r e o ptimiz e d us ing it.

03-多目标进化算法matlab程序实现MRP-MOEA.zip

****************************************************** ****************************************************** ************** 重要提示：这个工具箱是作为我博士的一部分开发的（2014 年结束）。 我决定保留此版本用于比较目的，不会更新。 我邀请您检查此算法的新扩展版本，该版本将根据我们对该主题的研究进展，以新的机制和功能进行更新： https://www.mathworks.com/matlabcentral/fileexchange/65145 ****************************************************** ****************************************************** *

基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python） 基于变分的遗传算法与演算轨迹优化技术(F5-MOEA-变体)(代码)（python）

基于分解的多目标进化算法(具有动态资源分配 (DRA) 的 MOEA/D) Decomposition Based Multi Objective Evolutionary Algorithm 代码是基于基于分解的多目标进化算法（MOEA/D）的思想和资源分配策略开发的。资源分配策略用于为 MOEA/D 中所需的子问题分配计算资源。 Mohaideen abdul kadhar K (2022)。基于分解的多目标进化算法

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%。