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。

Multi-Objective Energy Management for PHEV via Pontryagin's Minimum Principle and PSO Online

设计一个多目标遗传算法来解决两个目标函数

在此代码中，量子粒子群优化 (QPSO) 用于解决多目标组合经济排放调度 (CEED) 问题，该问题使用三次准则函数制定，并考虑单向最大/最大价格惩罚因子。 QPSO 在 6 单元发电系统上实现，并与拉格朗日松弛、粒子群优化 (PSO) 和模拟退火 (SA) 进行比较。 所得结果验证了QPSO方法的有效性并证明了其鲁棒性。 这项研究表明，QPSO 可用作解决其他电力调度问题的有效且稳健的工具。

多目标Jaya算法简称MOJaya，是一种基于SPEA2（提高强度帕累托进化 算法）和Jaya算法的新型优化算法。 Multi-objective Jaya Algorithm (MOJaya)

MO-NILM：一种用于 NILM 分类的多目标进化算法MO-NILM: A multi-objective evolutionary algorithm for NILM [1] Machlev, R.、Belikov, J.、Beck, Y. 和 Levron, Y. (2019)。MO-NILM：一种用于 NILM 分类的多目标进化算法。Energy and Buildings, 199, 134-144. ‏ [ 2] Tian, Y., Cheng, R., Zhang, X., & Jin, Y. (2017)。PlatEMO：用于进化多目标优化的 MATLAB 平台 [教育论坛]。IEEE 计算智能杂志，12(4)，73-87。

这是具有非支配排序和拥挤距离方法 (MOBO2) 的多目标倭黑猩猩优化器 (MOBO) 的 Matlab 代码。开发了三个版本的 MOBO， 如采用网格索引方法的 MOBO (MOBO1)、采用非支配排序和拥挤距离方法的 MOBO (MOBO2) 和采用分解技术的 MOBO (MOBO3)。 在这三个版本中，总体而言，MOBO2 方法与其他两种方法相比具有更好的性能。 这是为解决无约束优化问题而编写的。 然而，它也可以通过约束处理方法解决约束优化问题。 用户应编写自己的目标函数并进行相应修改。 根据问题需要修改常用参数和算法特定参数。 MOBO算法的详细信息，请参考和引用如下： 达斯，AK，尼库姆，AK，克里希南，SV 等。多目标倭黑猩猩优化器（MOBO）：用于多标准优化的智能启发式。 知识信息系统（2020）。https://doi.org/10.1007/s10115-020-01503-x

具有网格索引方法的多目标 Bonobo 优化器 Multi-objective Bonobo optimizer with grid-index approach 这是具有网格索引方法的多目标倭黑猩猩优化器 (MOBO) 的 Matlab 代码。它被命名为MOBO1。 这是具有网格索引方法的多目标倭黑猩猩优化器 (MOBO) 的 matlab 代码。开发了三个版本的 MOBO， 如采用网格索引方法的 MOBO (MOBO1)、采用非支配排序和拥挤距离方法的 MOBO (MOBO2) 和采用分解技术的 MOBO (MOBO3)。 在这三个版本中，总体而言，MOBO2 方法与其他两种方法相比具有更好的性能。 这是为解决无约束优化问题而编写的。 然而，它也可以通过约束处理方法解决约束优化问题。 用户应编写自己的目标函数并进行相应修改。 根据问题需要修改常用参数和算法特定参数。 MOBO算法的详细信息，请参考和引用如下： 达斯，AK，尼库姆，AK，克里希南，SV 等。多目标倭黑猩猩优化器（MOBO）：用于多标准优化的智能启发式。 知识信息系统（2020）。

本研究开发了一种多目标水母搜索 (MOJS) 算法，以优化具有多个目标的工程问题。 本研究开发了一种多目标水母搜索 (MOJS) 算法，以优化具有多个目标的工程问题。将 Lévy 飞行、精英人口、固定大小存档、混沌地图和基于对立的跳跃方法集成到 MOJS 中以获得帕累托最优解。这些技术用于定义水母在洋流或多目标搜索空间中的群的运动。 Chou、Jui-Sheng 和 Dinh-Nhat Truong。“受水母行为启发的多目标优化解决结构设计问题。” 混沌、孤子和分形，卷。135，Elsevier BV，2020 年 6 月，p. 109738，doi：10.1016/j.chaos.2020.109738。

有关更多信息，请参见以下链接： http://yarpiz.com/59/ypea121-mopso