论文阅读：《针对多目标优化和应用的 NSGA-II 综述》一些关于优化算法的简介
前言
提醒：
文章内容为方便作者自己后日复习与查阅而进行的书写与发布，其中引用内容都会使用链接表明出处（如有侵权问题，请及时联系）。
其中内容多为一次书写，缺少检查与订正，如有问题或其他拓展及意见建议，欢迎评论区讨论交流。
内容由AI辅助生成，仅经笔者审核整理，请甄别食用。
文章目录
- 前言
- 一些关于优化算法的缩写
- 优化算法
Ma, Haiping & Zhang, Yajing & Sun, Shengyi & Liu, Ting & Shan, Yu. (2023). A comprehensive survey on NSGA-II for multi-objective optimization and applications. Artificial Intelligence Review. 56. 1-54. 10.1007/s10462-023-10526-z.
一些关于优化算法的缩写
以下是图中内容整理成的Markdown表格，其中英文全称后面直接添加了中文翻译：
| 缩写 | 全称（Full Name） |
|---|---|
| EA | Evolutionary algorithm（进化算法） |
| GA | Genetic algorithm（遗传算法） |
| DE | Differential evolution（差分进化） |
| CMA-ES | Covariance matrix adaptation evolution strategy（协方差矩阵适应进化策略） |
| MOP | Multi-objective optimization problem（多目标优化问题） |
| MOEA | Multi-objective evolutionary algorithm（多目标进化算法） |
| NSGA | Non-dominated sorting genetic algorithm（非支配排序遗传算法） |
| MOEA/D | Multi-objective evolutionary algorithm based on decomposition（基于分解的多目标进化算法） |
| CMOEA | Coevolutionary multi-objective evolutionary algorithm（协同多目标进化算法） |
| IBEA | Indicator-based evolutionary algorithm（基于指标的进化算法） |
| MOPSO | Multiple objectives with particle swarm optimization（多目标粒子群优化） |
| SPEA | Strength Pareto evolutionary algorithm（强度帕累托进化算法） |
| PBEA | Preference-based evolutionary algorithm（基于偏好的进化算法） |
| MOGLS | Multi-objective genetic local search（多目标遗传局部搜索） |
| MOGA | Multi-objective genetic algorithm（多目标遗传算法） |
| HypE | Hypervolume estimation algorithm（超体积估计算法） |
| SIBEA | Simple indicator-based evolutionary algorithm（简单指标基进化算法） |
| MODE | Multi-objective differential evolution algorithm（多目标差分进化算法） |
| MOGWO | Multi-objective grey wolf optimizer（多目标灰狼优化器） |
| MOACO | Multi-objective ant colony optimization（多目标蚁群优化） |
| ANN | Artificial neural network（人工神经网络） |
| PID | Proportional integral derivative（比例积分微分） |
| WSN | Wireless sensor network（无线传感器网络） |
优化算法
| 类型算法 | 能力 | 独特特征 | 优势 | 弱点 | 相似算法 |
|---|---|---|---|---|---|
| NSGA-II (Deb et al. 2002) | 基于支配的多目标优化问题（两个或三个目标） | 应用帕累托支配原则来分配解决方案的成本值，并用作多样性保持和拥挤距离的度量 | 它在解的传播方面保持更好，并在面对许多目标问题时收敛到真实的帕累托最优前沿 | 选择压力减少，进化过程在面对许多目标问题时受到阻碍 | SPEA2 (Zitzler et al. 2001), ε-MOEA (Deb et al. 2005) |
| NSGA-III (Deb and Jain 2014) | 参考框架基础的多目标优化问题（四个或更多目标，最多15个目标） | 它使用广泛分布的参考点来确定偏好信息，以指导搜索方向 | 它增加了帕累托解的分布和多样性，并成功解决许多目标优化问题 | 多样性度量和性能指标的评估在计算上是昂贵的 | G-MOEA (Branke et al. 2001), PSEA (Thiele et al. 2009) |
| MOEAD (Zhang and Li 2007) | 基于分解的多目标和多约束优化问题（两个或更多目标） | 传统聚合方法用于将MOP分解为多个标量子问题 | 每个子问题可以自然地使用标量局部搜索，所有子问题都使用预定的权重向量来保持解决方案的多样性 | 需要额外的参数和预定义的权重向量集 | MOGLS (Ishizuchi and Murata 1998), C-MOGA (Murata and Gen 2002) |
| IBEA (Zitzler and Künzli 2004) | 基于指标的多目标优化问题（两个或三个目标） | 性能指标如通用距离（GD）、超体积（HV）用于指导搜索，特别是用于解决方案选择 | 它只比较解决方案对而不是整个近似前沿集，有助于不同类别问题的收敛和多样性 | 用户偏好信息未被利用，导致相对较差的鲁棒性 | HypE (Bader and Zitzler 2011), SIBEA (Brockhoff and Zitzler 2007) |
| MOPSO (C. Carlos A et al. 2004) | 基于混合框架的多目标优化问题（两个或三个目标） | 不同的搜索和更新方法与MOPS结合处理 | 它结合了许多技术的不同特征和优势，以平衡支配和非支配解决方案 | 难以选择全局和局部最优粒子来指导搜索 | MODE (Ali et al. 2012), MOGWO (Mirjalili et al. 2016) |
Overview of different directions of research on NSGA‑II
