摘要：PSO介绍： 粒子群优化算法（PSO)是是Kennedy和Eberhart受人工生命研究结果的启发、通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法，是基于群体智能的全局优化算法，它是将群体中的个体看做是D维空间的没有质量和体积的粒子，并以一定的速度在解空间运动。运动方向为自身历史最佳位置于领域最佳位置，是现对候选解的进化。粒子属性:位置向量,飞行速度，历史最佳位置，领域最佳位置（即为种群的最佳位置）.位置更新公式：，速度更新公式：算法模拟鸟群觅食。因此位置公式很熟悉的感脚，速度公式则有3部分组成，第一部分为惯性，第二部分为认知，第三部分为社会部分。参数描述C. 阅读全文

摘要：多目标进化算法多目标优化问题：给定决策空间X={x1,x2,...xn}设有R个优化目标，且这R个优化目标是相互冲突的，优化目标可以表市为F(X)=(f1(x),f2(x),f3(x).....fr(x)),在多目标优化中，对于不同的子目标函数可能有不同的优化目标，有的可能是最大化目标函数，也有的肯能是最小话目标函数。多目标演化算法非支配集：多目标规划中，由于目标之间出现冲和无法比较的现象，假设二个解S1,S2对所有的目标而言，S1均优于S2，则我们称S1 支配S2，若S1 的解没有被其他解所支配，则S1 称为非支配解（不受支配解），也称Pareto解。非支配解较其他解而言拥有最少的目标冲突， 阅读全文

摘要：nsga2 NSGA2学习步骤：（1）：随机初使化P0，并对P0进行非支配排序，初使化每个个体的RANK值，并对其进行PO值进行非支配排序。（2）：通过二进制锦标赛法从PT中选择个体，并进行交叉和变异操作（3）：通过合并PT和QT产生组合种群（4）：对TR精心非支配排序，并通过排挤和精英保留策略选择N个个体，组成新一代种群。（5）：循环步骤2直到N代。主要函数伪代码：(1):初始化种群,并且在此基础上采用二元竞标赛选择，交叉变异操作产生一个新的群体Q，P0和Q0的群体规模均为N（2）：二元竞标选择,对于0-1之间产生的... 阅读全文