前言

提醒：
文章內容為方便作者自己后日復習與查閱而進行的書寫與發布，其中引用內容都會使用鏈接表明出處（如有侵權問題，請及時聯系）。
其中內容多為一次書寫，缺少檢查與訂正，如有問題或其他拓展及意見建議，歡迎評論區討論交流。

內容由AI輔助生成，僅經筆者審核整理，請甄別食用。

---

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.

一些關于優化算法的縮寫

以下是圖中內容整理成的Markdown表格，其中英文全稱后面直接添加了中文翻譯：

縮寫	全稱（Full Name）
EA	Evolutionary algorithm（進化算法）
GA	Genetic algorithm（遺傳算法）
DE	Differential evolution（差分進化）
CMA-ES	Covariance matrix adaptation evolution strategy（協方差矩陣適應進化策略）
MOP	Multi-objective optimization problem（多目標優化問題）
MOEA	Multi-objective evolutionary algorithm（多目標進化算法）
NSGA	Non-dominated sorting genetic algorithm（非支配排序遺傳算法）
MOEA/D	Multi-objective evolutionary algorithm based on decomposition（基于分解的多目標進化算法）
CMOEA	Coevolutionary multi-objective evolutionary algorithm（協同多目標進化算法）
IBEA	Indicator-based evolutionary algorithm（基于指標的進化算法）
MOPSO	Multiple objectives with particle swarm optimization（多目標粒子群優化）
SPEA	Strength Pareto evolutionary algorithm（強度帕累托進化算法）
PBEA	Preference-based evolutionary algorithm（基于偏好的進化算法）
MOGLS	Multi-objective genetic local search（多目標遺傳局部搜索）
MOGA	Multi-objective genetic algorithm（多目標遺傳算法）
HypE	Hypervolume estimation algorithm（超體積估計算法）
SIBEA	Simple indicator-based evolutionary algorithm（簡單指標基進化算法）
MODE	Multi-objective differential evolution algorithm（多目標差分進化算法）
MOGWO	Multi-objective grey wolf optimizer（多目標灰狼優化器）
MOACO	Multi-objective ant colony optimization（多目標蟻群優化）
ANN	Artificial neural network（人工神經網絡）
PID	Proportional integral derivative（比例積分微分）
WSN	Wireless sensor network（無線傳感器網絡）

優化算法

類型算法	能力	獨特特征	優勢	弱點	相似算法
NSGA-II (Deb et al. 2002)	基于支配的多目標優化問題（兩個或三個目標）	應用帕累托支配原則來分配解決方案的成本值，并用作多樣性保持和擁擠距離的度量	它在解的傳播方面保持更好，并在面對許多目標問題時收斂到真實的帕累托最優前沿	選擇壓力減少，進化過程在面對許多目標問題時受到阻礙	SPEA2 (Zitzler et al. 2001), ε-MOEA (Deb et al. 2005)
NSGA-III (Deb and Jain 2014)	參考框架基礎的多目標優化問題（四個或更多目標，最多15個目標）	它使用廣泛分布的參考點來確定偏好信息，以指導搜索方向	它增加了帕累托解的分布和多樣性，并成功解決許多目標優化問題	多樣性度量和性能指標的評估在計算上是昂貴的	G-MOEA (Branke et al. 2001), PSEA (Thiele et al. 2009)
MOEAD (Zhang and Li 2007)	基于分解的多目標和多約束優化問題（兩個或更多目標）	傳統聚合方法用于將MOP分解為多個標量子問題	每個子問題可以自然地使用標量局部搜索，所有子問題都使用預定的權重向量來保持解決方案的多樣性	需要額外的參數和預定義的權重向量集	MOGLS (Ishizuchi and Murata 1998), C-MOGA (Murata and Gen 2002)
IBEA (Zitzler and Künzli 2004)	基于指標的多目標優化問題（兩個或三個目標）	性能指標如通用距離（GD）、超體積（HV）用于指導搜索，特別是用于解決方案選擇	它只比較解決方案對而不是整個近似前沿集，有助于不同類別問題的收斂和多樣性	用戶偏好信息未被利用，導致相對較差的魯棒性	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標優化問題（兩個或三個目標）	不同的搜索和更新方法與MOPS結合處理	它結合了許多技術的不同特征和優勢，以平衡支配和非支配解決方案	難以選擇全局和局部最優粒子來指導搜索	MODE (Ali et al. 2012), MOGWO (Mirjalili et al. 2016)

Overview of different directions of research on NSGA?II