函数名：gamultiobj 详细的不多说，帮助文档写的很清楚，这里仅作为备忘简要写出常用用法

基于的算法是改良的NSGA-II

用于求解多目标优化问题 object1 和object 2有一定的竞争关系

得到的解是一组解，称为帕累托前沿 pareto front

关键是最后一句，前面都是为了写着换行方便定义的变量

从接受的参数开始说： func是要优化的函数，优化后得到的是函数最小值，如果求最大值，加个负号即可。@代表获取函数句柄（在C语言里就是函数指针）。 nvar是待优化变量的个数，必填。 后面四个空着的，分别代表线性约束不等式的A,b, 等式的A,b,如果没有空着 lb是变量最小值，ub是变量最大值。一一对应。

options是其他附加选项 这里加了：画出帕累托前沿图（实时更新的），并且使用并行（matlab会自动给定使用的核心数） 使用并行会大大加速求解过程，但是启动并行需要几分钟。

我在使用多目标遗传算法的时候，发现优化结果可能掉入一个“坑”里。也就是说本来应该有不同的结果供我选择，但是最后却越优化越集中，最后过度优化，帕累托前沿从一条线变成了一个点，如图：

但是我想要的结果是个线，如图：

实际上上面这个图，虽然看上去是个线，但是仔细看的话会发现数值非常集中，如果坐标范围调大一些，其实还是缩成了一个点。

多目标遗传算法，按照官方帮助，默认种群数量是50，这显然是有点儿小了。所以我们把他调整为200

在optimoptions括号内加一个参数对

参考官方帮助 https://ww2.mathworks.cn/help/gads/gamultiobj-options-effects.html 这里说两个选项是用来控制精英数量的（精英就是在帕累托前沿上的点），一个是DistanceFcn 一个是ParetoFraction

DistanceFcn：帕累托前沿上点的距离，这个可以自己定义，也可以用默认选项。 ParetoFraction：精英的在种群中的比例。就是帕累托前沿上点的数量除以种群数量。

下面给了两个选项的例子

或者

这个就是利用默认的距离函数来计算的。默认计算的是表现型（生物上基因表现出来的性状叫表现型）phenotype（其实就是因变量）的距离。它注释里面的function space其实就是因变量空间。也可以改为genotype就是基因型。

另一个就是控制帕累托前沿上的点占种群数量的比例 默认是0.35 这里改为0.5

gamultiobj默认的因变量收敛相对值是1e-4 这里改为1e-2

默认最大代数是 nvar*200（自变量个数） 我们放宽为200

帕累托前沿变得漂亮了许多。