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。

二维遗传算法matlab代码 multi-objective-optimization-NSGA2 multi-objective optimization NSGA2 A_SGA_QGA_master_0610 A_SGA_TSP A_SGA_with_quantum_0620文件夹 （5）QGA.py 原始的量子遗传算法； （6）QGA_numpy.py 经Numpy改造的量子遗传算法； （7）QGA_numpy_elite.py 经Numpy改造，并加入elite机制的量子遗传算法； （8）QGA_numpy_elite_comprason.py 经Numpy改造，并加入elite机制的量子遗传算法与普通遗传算法的对比； B_MOO_MOEAD0709 参考代码； B_MOO_NSGA2_0710 这是晓风提供的代码，根据MoeaPlat的MATLAB代码改写的Python，这个代码存在问题是运行效率慢。 B_MOO_NSGA2_0817未完成改造 无效代码 B_MOO_NSGA3_0810_PS PS-MOOPS-SL求解，行路径规划，初始化等相关的代码； 基于老的数据结构的方

针对NSGA-II算法在模拟二元交叉算子（SBX）算子，收敛速度和分集性能方面的不足，将反向学习机制（RLM）应用于初始化和进化过程。通过一系列的ZDT测试函数在收敛性和多样性评估两个方面，表明改进的NSGA-II算法在收敛速度，收敛性和多样性方面都优于NSGA-II算法。

///// pymoo：Python中的多目标优化 我们的开源框架pymoo提供最先进的单目标和多目标算法，以及与多目标优化有关的更多功能，例如可视化和决策制定。 安装 首先，请确保您已安装Python 3环境。 我们建议使用miniconda3或anaconda3。 官方版本始终在PyPi上可用： pip install -U pymoo 对于当前的开发人员版本： git clone https://github.com/msu-coinlab/pymoo cd pymoo pip install . 由于为了加快速度，还可以编译某些模块，因此您可以仔细检查编译是否有效。 执行命令时，请确保不在本地pymoo目录中，因为否则将不使用站点包中已安装的版本。 python -c " from pymoo.util.function_loader import is_compile

四水平响应曲面法优化

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