基于NSGAII的双目标优化算法matlab仿真【包括程序，注释，参考文献，操作步骤】

clc; clear; close all; warning off; addpath(genpath(pwd)); rng('default') m=2;%目标函数个数 %初始化参数 popnum=200; gen=600; xmin=0;%变量取值范围 xmax=1; n=30;%决策变量数目 hc=20;%交叉变异参数 hm=20; %产生初始种群 initpop=rand(popnum,n)*(xmax-xmin)+xmin; init_value_pop=func_objective(initpop,m,n); %画图显示初始图 plot(init_value_pop(:,n+1),init_value_pop(:,n+m),'B+') pause(.1) %非支配排序和聚集距离计算 [non_dominant_sort_pop, rankinfo]=func_sort(init_value_pop,m,n); ns_dc_pop=func_crowding_dist(non_dominant_sort_pop,m,n,rankinfo); %选择，交叉，变异产生下一个子代 poolsize=round(popnum/2);%选择进行交叉变异的个数 toursize=2;%选择锦标赛的元度 select_pop=func_select(ns_dc_pop,poolsize,toursize,m,n); hc=20;%存储交叉变异相关参数 hm=20; offspring=func_genetic(select_pop,m,n,hc,hm,xmax,xmin); %循环开始 t=1; while t<=gen t %合并种群(2N)，进入循环 combine_pop(1:popnum,1:m+n+2)=ns_dc_pop; [xsize ysize]=size(offspring); combine_pop(popnum+1:popnum+xsize,1:m+n+2)=offspring; %重新进行非支配排序和聚焦距离计算 [gen_non_dominant_pop,rankinfo]=func_sort(combine_pop,m,n); nsdc_pop=func_crowding_dist(gen_non_dominant_pop,m,n,rankinfo); %选择下一代的产生（然后用于交叉变异） ns_dc_pop=func_offsprings(nsdc_pop,m,n,popnum); %显示下一代的情况 plot(ns_dc_pop(:,n+1),ns_dc_pop(:,n+2),'r*') grid on; text(0,0,0,['第 ',int2str(t),' 代']); pause(0.1) %收敛性计算 if t>=(gen*0.9) %导入标准解 opt=load('paretoZDT1.dat'); %得到函数解 funcval=ns_dc_pop(:,n+1:n+m); for j=1:m %求取最大最小值 maxfval(j)=max(funcval(:,j)); minfval(j)=min(funcval(:,j)); end distance=zeros(1,size(funcval,1)); sumfval=zeros(1,size(opt,1)); dsum=0; for i=1:size(funcval,1) for j=1:size(opt,1) for k=1:m sumfval(j)= sumfval(j)+((funcval(i,k)-opt(j,k))/(maxfval(k)-minfval(k)))^2; end end distance(i)=sqrt(min(sumfval)); sumfval(:)=0; dsum=dsum+distance(i); end c=dsum/size(funcval,1) end %选择，交叉，变异产生下一个子代 poolsize=round(popnum/2);%选择进行交叉变异的个数 toursize=2;%选择锦标赛的元度 select_pop=func_select(ns_dc_pop,poolsize,toursize,m,n); hc=20;%存储交叉变异相关参数 hm=20; offspring=func_genetic(select_pop,m,n,hc,hm,xmax,xmin); t=t+1; end %显示标题 title('MOP using NSGA-II with DCD'); xlabel('Function 1'); ylabel('Function 2');