NSGAⅢ概述

NSGA相比于普通遗传算法，该算法在选择算子执行之前根据个体之间的支配关系进行了分层。其选择算子、交叉算子和变异算子与简单遗传算法没有区别。

而NSGAII和NSGA相比，它使用了精英策略，即将父代种群与其产生的子代种群组合，共同竞争产生下一代种群，有利于保持父代中的优良个体进入下一代，并通过对种群中所有个体的分层存放，使得最佳个体不会丢失，迅速提高种群水平；提出了拥挤度和拥挤度比较算子，代替了需要指定共享半径的适应度共享策略。

NSGAIII和NSGAII具有类似的框架，二者区别主要在于选择机制的改变，NSGAII主要靠拥挤度进行排序，其在高维目标空间显然作用不太明显;而NSGAIII对拥挤度排序进行了大刀阔斧的改编，通过引入广泛分布的参考点来维持种群的多样性。

初始的时候，随机生成父种群Pt（N），再经过交叉和变异产生子种群（N），两者结合起来，用非支配的排序方法将它们划分等级（F1、F2、…Fl），从 F1 层开始选择个体，然后是F2……，把它们放在St中，一直到St的大小为N，作为下一次迭代的父种群Pt+1。

在取到最后一层的时候，只选择其中的部分——K=N-|Pt+1|个。NSGAIII使用的方法便是预先指定参考线，计算St 中的个体与参考线之间的垂直距离。步骤如下[1]：
1.对St中的值进行自适应归一化
2.定义超平面上连接参考点的参考线
3.计算St 中的个体与参考线之间的垂直距离
4.每个个体都根据最小垂直距离与一个参考点相关联
5.计算每个参考点相关联的个体数量
6.根据第五步数量选择K个个体

关键环节原理详解：
1.NSGA-Ⅲ算法流程

2.种群成员的自适应归一化


3.M目标问题中的参考点总数(H)

p为每个目标轴所选择的分区数（类似排列组合里的插空法

4.将每个总体成员与一个参考点相关联
在归一化目标空间中，参考线最接近成员的参考点被认为与该成员相关。

5.计算每个参考点相关联的个体数量

参考文献
[1]An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, Part I: Solving problems with box constraints, Deb, Kalyanmoy ;Jain, Himanshu, IEEE Transactions on Evolutionary Computation, v 18, n 4, p 577-601, August 2014
[2]Modified non-dominated sorting genetic algorithm III with fine final level selection, Qinghua Gu, Rui Wang, E-ISSN: 15737497; DOI: 10.1007/s10489-020-02053-z;

可以从该网盘下载链接：https://pan.baidu.com/s/1m-Pla-G23_3C86fzXyd1xQ
提取码：1234