用C语言实现的MOPSO算法 经典解决多目标优化问题

为了提高多目标优化算法的收敛性、分布性和减少算法的计算代价, 提出一种基于量子行为特性的粒子群 优化(QPSO) 和拥挤距离排序的多目标量子粒子群优化(MOQPSO-CD) 算法. MOQPSO-CD 利用QPSO 快速接近真 实的Pareto 最优解, 同时引入高斯变异算子以增强解的多样性. 采用拥挤距离排序的方法对外部存储器中最优解进 行更新和维护, 使得从中选择的具有全局最优的领导粒子能够引导粒子群最终找到真实的Pareto 最优解. 仿真结果 表明, MOQPSO-CD 具有更好的收敛性和更均匀的分布性.

提出一种多目标自适应混沌粒子群优化算法(MACPSO). 首先, 基于混沌序列提出一种新型动态加权方法选择全局最优粒子; 然后, 改进NSGA-II 拥挤距离计算方法, 并应用到一种严格的外部存档更新策略中; 最后, 针对外部存档提出一种基于世代距离的自适应变异策略. 以上操作不仅提高了算法的收敛性, 而且提高了Pareto 最优解的均匀性. 实验结果表明了所提出算法的有效性.

这个是关于NSGA-II算法的matlab代码，主要有拥挤距离，精英策略，基因操作，非支配排序，函数值，NSGA-II主代码等几个模块里边，本代码只是对基本的测试函数（二维测试函数ZDT1-6，三维测试函数DTLZ1-6）,包含测试数据以及相关的测试函数图像仿真。

针对配电网多目标无功优化的应用需求以及优化算法存在的收敛性和多样性问题，基于Pareto熵的多目标粒子群优化算法，提出一种应用于多目标无功优化的改进粒子群优化算法。该算法在全局外部档案更新过程中引入冗余集策略，避免迭代过程中陷入局部最优解。将算法应用于配电网无功优化中时，采用离散变量取整方法，加快算法的收敛速度。建立网损、电压偏差及无功补偿装置投资最小的配电网多目标无功优化模型，并以IEEE 33节点配电网络为算例进行仿真，结果表明改进后的算法兼顾了优化的收敛性和多样性，能够在不同的优化要求下得到有效的无功优化方案。

针对约束边界粒子在边界区域搜索能力不足的问题, 提出一种基于自适应进化学习的约束多目标粒子群优化算法. 该算法根据不符合约束条件粒子的约束违反程度, 修正优化算法的进化学习公式, 提高算法在约束边界区域的搜索能力; 通过引入一种基于拥挤距离的Pareto 最优解分布性动态维护策略, 在不增加算法复杂度的前提下改进Pareto 前沿的分布性. 实验结果表明, 所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto 前沿.

MATLAB源码集锦-多目标粒子群优化算法代码

结合Pareto 支配思想、精英保留策略、锦标赛和排挤距离选择技术, 对传统的粒子更新策略进行改进, 给出了一种新的粒子淘汰准则, 提出了一种基于Par et o 最优解集的多目标粒子群优化算法。

动态NAGA-II算法的matlab代码，主要有拥挤距离，精英策略，基因操作，非支配排序，函数值，NSGA-II主代码等几个模块，本代码只是对FDA函数的测试，还包含测试数据

自适应多目标粒子群优化器 The Adaptive Multi-Objective Particle Swarm Optimizer (AMOPSO）.