一、NSGA-II簡介

NSGA-Ⅱ算法是Kalyanmoy Deb等人于 2002年在 NSGA 的基礎上提出的，它比 NSGA算法更加優越：它采用了快速非支配排序算法，計算復雜度比 NSGA 大大的降低；采用了擁擠度和擁擠度比較算子，代替了需要指定的共享半徑 shareQ，并在快速排序后的同級比較中作為勝出標準，使準 Pareto 域中的個體能擴展到整個 Pareto 域，并均勻分布，保持了種群的多樣性；引入了精英策略，擴大了采樣空間，防止最佳個體的丟失，提高了算法的運算速度和魯棒性。

NSGA-Ⅱ就是在第一代非支配排序遺傳算法的基礎上改進而來，其改進主要是針對如上所述的三個方面：

①提出了快速非支配排序算法，一方面降低了計算的復雜度，另一方面它將父代種群跟子代種群進行合并，使得下一代的種群從雙倍的空間中進行選取，從而保留了最為優秀的所有個體；

②引進精英策略，保證某些優良的種群個體在進化過程中不會被丟棄，從而提高了優化結果的精度；

③采用擁擠度和擁擠度比較算子，不但克服了NSGA中需要人為指定共享參數的缺陷，而且將其作為種群中個體間的比較標準，使得準Pareto域中的個體能均勻地擴展到整個Pareto域，保證了種群的多樣性。

二、微網系統運行優化模型

微電網優化模型介紹：

weixin的博客_CSDN博客46204734/article/details/132700070?csdnshare_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22132700070%22%2C%22source%22%3A%22weixin_46204734%22%7D

三、NSGA2求解微電網多目標優化調度

（1）部分代碼

close all;
clear ;?
clc;
global P_load; %電負荷
global WT;%風電
global PV;%光伏
%%
addpath('./NSGA2/')%添加算法路徑
TestProblem=1;
MultiObj = GetFunInfo(TestProblem);
MultiObjFnc=MultiObj.name;%問題名
% Parameters
params.Np = 100;? ? ? ? % Population size
params.Nr = 200;? ? ? ? % Archive size
params.maxgen = 200;? % Maximum number of iteration
params.ngrid = 20;? ? ? % Number of grids in each dimension
[Xbest,Fbest]? = NSGA2(params,MultiObj);%% 畫結果圖ParetoFont
figure(1)
plot(Fbest(:,1),Fbest(:,2),'ko');
legend('NSGA2');
xlabel('運行成本')
ylabel('環境保護成本')
saveas(gcf,'./Picture/ParetoFont.jpg') %將圖片保存到Picture文件夾下面%% 比較不同目標函數尋優對調度結果的影響
%idxn=1 第1種.將兩個目標函數值歸一化相加，取相加后最小的目標值的粒子，即尋找折衷解并畫圖
%idxn=2 第2種尋找總成本最低時的解并畫圖
%idxn=3 第3種尋找運行成本最低時的解并畫圖
%idxn=4 第4種尋找環境保護成本最低時的解并畫圖
for idxn=1:4pg=plotFigure(Xbest,Fbest,idxn);
end

（2）部分結果

pareto前沿：

?第1種.將兩個目標函數值歸一化相加，取相加后最小的目標值的粒子，即尋找折衷解并畫圖

第2種尋找總成本最低時的解并畫圖

第3種尋找運行成本最低時的解并畫圖

第4種尋找環境保護成本最低時的解并畫圖

四、完整MATLAB代碼