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%。

NAGAII,NSGAIII,MOEAD,MOEAD-DE,MOEA-DRA,MOEAD-M2M,SPEA2,SPEA2-SDE,GrEA,e-MOEA全套代码中文注释，DTLZ,WFG,ZDT,UF,MOP,MOKP全套数据集，亲测能运行，有结果图，能计算IGD值等多种指标。。

1、MOEA/D-FD是一种求解动态多目标优化问题的新算法，在动态多目标优化问题中，多目标函数和/或约束可能会随时间变化，这就需要多目标优化算法跟踪运动的Pareto最优解和/或Pareto最优前沿。当检测到环境变化时，设计一阶差分模型来预测一定数量Pareto最优解的新位置。另外，旧的pareto最优解的一部分被保留到新种群中。将预测模型融合到基于分解的多目标进化算法中，求解动态多目标优化问题。通过这种方式，可以更快地跟踪更改后的POS或POF。该算法在多个具有不同动态特性和难度的典型基准问题上进行了测试。实验结果表明，该算法在求解动态多目标优化问题时具有较好的性能。 2、文件夹中包括了该算法的论和相关Matlab代码的实现。

有关更多信息，请参阅以下链接： http://yarpiz.com/95/ypea124-moead

进化计算（九）——MOEA/D代码实现及中文详解（Matlab）文章【https://blog.csdn.net/qq_43472569/article/details/121457243】的资源，对二目标优化效果很好

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，图形界面，算法齐全并且最新的。

MOEA-NSGA-II 多目标进化算法MATLAB程序 NSGA MATLAB程序

首先针对常规多目标优化算法求解高维多目标优化时面临的选择压力衰减问题进行论述;然后针对该问题,按照选择机制的不同详细介绍基于Pareto支配、基于分解策略和基于性能评价指标的典型高维多目标优化算法,并分析各自的优缺点;接着立足于一种全新的性能评价指标-----R2指标,给出R2指标的具体定义,介绍基于R2指标的高维多目标优化算法,分析此类算法的本质,并按照R2指标的4个关键组成部分进行综述;最后,发掘其存在的潜在问题以及未来发展空间.

这是有关MOEA/D的原始论文的源代码（Qingfu Zhang），算例齐备，直接可以使用，有详细的解释，并且附带论文

MOEA框架是一个免费的开源Java库，用于开发和试验多目标进化算法（MOEA）和其他通用多目标优化算法。 MOEA框架支持遗传算法，差分进化，粒子群优化，遗传编程，语法进化等。 提供了许多开箱即用的算法，包括NSGA-II，NSGA-III，ε-MOEA，GDE3和MOEA / D。 此外，MOEA框架提供了快速设计，开发，执行和统计测试优化算法所需的工具。