多目标进化优化方法综述（2017年）

运用反向学习模型的最新多目标进化算法，在优化问题领域取得突破性的进展。

本资源包含MOEA-dev-matser.zip全套代码，涵盖NAGAII、NSGAIII、MOEAD-DE、MOEA-DRA、MOEAD-M2M、SPEA2-SDE、GrEA、e-MOEA等多种进化算法，并附带中文注释。提供DTLZ、WFG、ZDT、UF、MOP、MOKP等多套数据集，经过验证可直接运行，生成多种评估指标如IGD值。

Matlab多目标优化代码CPDEA版本所有权归刘一平所有。介绍了在进化多模态多目标优化中处理决策空间中收敛和多样性不平衡的问题。研究提出了不平衡距离最小化问题（IDMP）并使用收敛惩罚密度进化算法（CPDEA）。该算法平衡决策空间中的收敛性和多样性。发表于IEEE进化计算汇刊2020年，第24卷第3期，第551-565页。如有疑问，请联系。

MOJaya是一种多目标优化算法，结合了SPEA2和Jaya算法的特点。

介绍了多目标滑模模型算法（MOSMA），这是最近开发的滑模模型算法（SMA）的一种变体，专门用于解决行业中的多目标优化问题。近年来，优化社区提出了多种元启发式和进化优化技术，用于处理这些优化问题。在评估多目标优化（MOO）问题时，这些方法通常会面临解决方案质量低下的问题，而非准确估计帕累托最优解和所有目标函数的分布。SMA方法基于实验室对黏菌振荡行为的观察而来，显示出强大的性能，通过结合最佳食物路径设计。MOSMA算法采用SMA机制进行收敛，并结合精英非支配排序方法来估计帕累托最优解。此外，MOSMA保留了多目标公式，并利用拥挤距离算子来确保所有目标的最佳解决方案覆盖范围扩展。为了验证MOSMA的性能，本研究考虑了41个不同的案例研究。

根据不同情况，对多相合金中的颗粒状第二相进行二值化、颗粒分割、孔洞填充以及滤波等图像预处理，得到离散的多目标黑白二值图像。为了统计分析多个颗粒，提出了多目标边界追踪算法，利用八连通边界追踪得到的每个颗粒的唯一标志点及其边界的Freeman码，从而获得第二相的体积分数、周长、面积、形状因子、平均自由程等特征参数。实验结果验证，该算法在离散多目标统计中表现出了实用性和有效性。

IEEE进化计算大会2019年的MATLAB代码单目标竞赛，提供了全面的测试套件，用于评估和比较不同算法的性能。

本程序使用多目标协同优化算法实现遗传算法，具有出色的收敛性。提供测试算例，供您学习参考。

本资源包含针对多目标蚁狮优化算法 (MOALO) 的 MATLAB 代码实现，可用于解决具有多个目标函数的优化问题。代码经过全面测试，确保在 MATLAB 2019b 及更高版本中可以正常运行。代码结构清晰，易于理解和使用。