nsga2算法
‘壹’ NSGA2遗传算法在matlab具体使用方法，有源代码该如何修改程序中的参数及设置
遗传算法在matlab里有两个函数，分别是ga和gaoptimset，前者用来调用遗传算法，后者用来设定遗传算法的参数，具体内容可以doc ga查看，遗传算法有哪些参数可以直接在命令窗口输入gaoptimset查看，祝好。
‘贰’ aravind seshadri写的nsga-ii算法怎么输入目标函数
要的使用介绍：
objective_description_function.m 要自己重写，主要是定义优化目标函数个数、随机种子取值范围等等。
evaluate_objective.m 是优化目标函数，当然要自己重写了。
nsga_2.m是启动函数，要设置两个参数。
其他m文件基本不用改动。具体介绍看程序包里的html说明，算法看pdf文件。
‘叁’ NSGA-Ⅱ的介绍
NSGA-Ⅱ是目前最流行的多目标进化算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。
‘肆’ NSGA2算法
多目标的遗传算法。刚看的。希望能帮助你……
其实其他方面都和普通的遗传算法差不多，只是在选择之前，要进行非支配排序，并且要计算crowding distance，选择的时候，选择非支配的rank小的，如果同意的rank时，选择distance大的。
‘伍’ ncga和nsga-ii遗传算法的区别
1 初始化染色体，这一步和粒子群初始化没啥区别
2 采用二人或多人锦标赛形式，在配对池里产生新的染色体子代，新生代种群规模为原来种群规模的一半。
3 针对新生代群体进行交叉和变异操作，以概率的方法判决进行交叉还是变异操作，一般来说，我们以较大的概率交叉，较小的概率进行变异，具体的交叉变异操作文献上都有，和二进制遗传算法是不一样的，一会儿我会讲到。随机选择的一对父母染色体进行交叉操作会产生一对新的染色体，而变异操作仅仅是针对一个单亲变异，所以只产生一个新的染色体。
4 合并原来的种群和后代种群，计算适应度值，输出最优解空间
5 算法结束。
‘陆’ 求助NSGA2算法问题
NSGA-II特别的地方就在它的选择过程上，其他的和其他算法也没什么区别。 选择过程分两个部分： 1. 把种群分成一组Pareto非支配集。一个非支配集里的个体不被当前或之后非支配集里的任何个体支配。方法就是每次选出所有不被任何其他个体支配的非支配个体，从种群里删除当一个非支配集，然后剩下的再不停重复这个过程，直到取完。 2. 按crowd distance排序。就是在各个维度左右相邻个体的距离之和。 选择的时候，先从前往后一个个取非支配集。取到手里的个体数量大于等于需要的数量了，最后一个非支配集里再怎么选？选crowd distance大的。
‘柒’ 使用NSGA2算法是否需要先进行编码还有怎么看自己的决策变量有几个
BIAS0:= (C-MA(C,2))/MA(C,2)*100;
BIAS1 := (C-MA(C,12))/MA(C,12)*100;
BIAS2 := (C-MA(C,26))/MA(C,26)*100;
BIAS3 := (C-MA(C,48))/MA(C,48)*100;
HXL:=V/CAPITAL*100;
D1:=INDEXC;
D2:=MA(D1,56);
DR2:=D1/D2<0.94;
E1:=(C-HHV(C,12))/HHV(C,12)*10;
E2:=(C-REF(C,26))/REF(C,26)*10;
‘捌’ matlab 怎么运行nsga2算法
NSGA-II\BinaryTournamentSelection.m
.......\CalcCrowdingDistance.m
.......\Cost.m
.......\CreateEmptyIndivials.m
.......\Crossover.m
.......\Dominates.m
.......\GetCosts.m
.......\Mutate.m
.......\MyCost1.m
.......\MyCost2.m
.......\MyCost3.m
.......\MyCost4.m
.......\MyCost5.m
.......\MyCost6.m
.......\MyCost7.m
.......\New Folder\MyCost1.m
.......\NonDominatedSorting.m
.......\nsga2.m
.......\PlotFronts.m
.......\SortPopulation.m
.......\New Folder
NSGA-II
‘玖’ NSGA_2需不需要像遗传算法那样计算适应度函数
不需要的，NSGA-II里直接通过非支配排序来分级，后面再根据分级和精英保留策略来选择更好的解
‘拾’ nsgaii算法能够解决多目标优化问题吗
将下属两个目标函数分别保存在两个m文件中functionf1=func1(x)%第一目标函数f1=x(:,1).*x(:,1)./4+x(:,2).*x(:,2)./4;functionf2=func2(x)%第二目标函数f2=x(:,1).*(1-x(:,2))+10;functionGA()clear;clc;closeallNIND=100;%个体数