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
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
