matlab：一种有效的差分进化算法解决多目标优化问题（简称MODEA）

（一）摘要–MODEA的思想

利用基于对立的学习的优势来生成潜在候选基因的初始群体，以及在突变步骤中进行随机定位的概念。最后引入一个新的新的选择机制以用来产生一个比较好的pareto占优前沿。测试集选择9个双目标和5个三目标，对数值结果的实证分析表明了该算法的有效性。

（二）引言

对比经典的处理多目标技术，进化算法能够很好的产生pareto占优前沿分布。在80年代中期，谢弗首次提出了EA的应用来解决多目标优化问题。随后，提出了几种不同的算法，并成功地应用于各种基准和现实生活中的问题。DE，最初是由Storn和Price（1995,1997）提出的关于连续空间上的优化问题，一些研究人员已经研究了DE的扩展来解决连续领域的多目标优化问题。Abbass（2001）和Abbass（2002）是第一个探索DE在解决MOPs方面的潜力，在他们的帕累托微分进化(PDE)算法中，DE被用来创建新的解，只保留非主导的解作为下一代的基础。

Xue et al. (2003)（MODE）该算法还使用了基于帕累托的排名分配和拥挤距离度量,但其方式与PDEA不同。在MODE中，首先使用基于帕累托的排名计算解的适应度，然后根据解的拥挤距离值进行降低。然后使用这个适应度值来为下一代选择最佳的解决方案。

Robic和Filipic（2005）提出了多目标优化(DEMO)的微分演化方法，并取得了良好的效果。该算法与PDEA算法类似，使用了基于帕累托的排名分配和拥挤距离度量，但具有不同的总体更新策略。根据该算法，如果新生成的方案主导目标方案，那么在当前总体中会立即替换目标方案。但是，如果