多目标算法

无人机航迹规划：梦境优化算法（Dream Optimization Algorithm，DOA）求解无人机路径规划MATLAB梦境优化算法（Dream Optimization Algorithm，DOA）是一种新型的元启发式算法，其灵感来源于人类的梦境行为。该算法结合了基础记忆策略、遗忘和补充策略以及梦境共享策略，通过模拟人类梦境中的部分记忆保留、遗忘和逻辑自组织等特征来求解优化问题。算法原理：记忆策略：算法在搜索过程中会保留一部分优秀的解，这些解会被记忆下来，并在后续的搜索中作为参考，以引导搜索方向。遗忘和补充策略：在搜索过程中，部分解会被遗忘，同时通过一定的规则生成新的解来补充种群，以增加种群的多样性，避免算法陷入局

无人机（Unmanned Aerial Vehicle, UAV）路径规划介绍无人机（Unmanned Aerial Vehicle, UAV）是无人驾驶飞行器的简称。凭借其体积小巧、操作简便、生存能力强等诸多优势，无人机在军事、电力巡检、航空航天与科学研究等诸多领域得到了广泛应用。在执行任务时，无人机可搭载多种传感器设备，实时监测环境、确定自身位置、调整飞行姿态并规避障碍物，从而高效完成任务。而规划出一条无碰撞且距离最短的路径，对于无人机顺利完成任务至关重要。然而，现实环境中的不确定性、可变性与动态性，使得无人机在执行飞行任务时面临诸多不可控因素，这也凸显了无人机路径规划算法研究

最新高性能多目标优化算法：多目标麋鹿优化算法（MOEHO）求解LRMOP1-LRMOP6及工程应用---盘式制动器设计，提供完整MATLAB代码麋鹿优化算法（Elephant Herding Optimization，EHO）是2024年提出的一种启发式优化算法，该算法的灵感来源于麋鹿群的繁殖过程，包括发情期和产犊期。在发情期，麋鹿群根据公麋鹿之间的争斗分为不同大小的家族，较强的公麋鹿可以与大量的雌麋鹿组成家族。在产犊期，每个家族的公麋鹿和雌麋鹿繁殖新的幼崽。在优化过程中，优化循环由发情期、产犊期和选择期三个阶段组成。在选择期，所有家族合并，选择最适应的麋鹿群用于下一轮的发情期和产犊期。EHO 将种群分为一组组的群体，每个群体在发情期有一个领导者

最新高性能多目标优化算法：多目标麋鹿优化算法（MOEHO）求解TP1-TP10及工程应用---盘式制动器设计，提供完整MATLAB代码麋鹿优化算法（Elephant Herding Optimization，EHO）是2024年提出的一种启发式优化算法，该算法的灵感来源于麋鹿群的繁殖过程，包括发情期和产犊期。在发情期，麋鹿群根据公麋鹿之间的争斗分为不同大小的家族，较强的公麋鹿可以与大量的雌麋鹿组成家族。在产犊期，每个家族的公麋鹿和雌麋鹿繁殖新的幼崽。在优化过程中，优化循环由发情期、产犊期和选择期三个阶段组成。在选择期，所有家族合并，选择最适应的麋鹿群用于下一轮的发情期和产犊期。EHO 将种群分为一组组的群体，每个群体在发情期有一个领导者

多目标优化算法：多目标鹅算法(MOGOOSE)求解UF1-UF10，提供完整MATLAB代码鹅算法（Goose Algorithm，简称GOOSE）是一种新型的元启发式算法，灵感来源于鹅在休息和觅食时的行为。GOOSE算法由Rebwar Khalid Hamad等人于2024年1月发表在Springer旗下的非开源SCI期刊《Evolving Systems》上。该算法通过模拟鹅在休息和觅食时的行为来寻找最优解，具有实现简单、易于改进的特点，没有特别复杂的公式，也没有混合策略，适合新手使用。

多目标应用：基于环形拓扑的多目标粒子群优化算法（MO_Ring_PSO_SCD）的移动机器人路径规划研究（提供MATLAB代码）移动机器人（Mobile robot，MR）的路径规划是移动机器人研究的重要分支之，是对其进行控制的基础。根据环境信息的已知程度不同，路径规划分为基于环境信息已知的全局路径规划和基于环境信息未知或局部已知的局部路径规划。随着科技的快速发展以及机器人的大量应用，人们对机器人的要求也越来越高，尤其表现在对机器人的智能化方面的要求，而机器人自主路径规划是实现机器人智能化的重要步骤，路径规划是指规划机器人从起点位置出发，无碰撞、安全到达指定目标位置的最优路径。目前，常用的移动机器人全局路径规划方法很多，如栅格法