多目标进化算法总结

一、算法综述

多目标就以下三个方面为目标，各种算法使用了和单目标算法的不同组合从而进行有效实现。包括：一组数量尽可能大的非劣解（非劣解集和）；要求这组解逼近问题的全局Pareto最优前端（避免局部最优）；尽可能均匀地分布在整个全局最优前端上（实现解的分布均匀性和多样性）。

二、算法之间的比较

1、SPEA:

主要步骤：

1、产生初始种群P和空的外部非劣解集和NP；

2、将种群中的非劣解个体拷贝到空的外部非劣解集NP；

3、进行迭代时，剔除NP中受种群P支配的解；

4、剔除多余解（聚类分析：取两个距离比较近的C1和C2,将两个聚类合并成C3）；

5、计算适应度值；（NP中个体适应度值=x/1+N，f越大，性能越好，表示支配性；

种群p的f=1+个体强度值的和，f越大，性能越差，表示被支配性）

6、交叉变异（为保证解的快速收敛，采用二元锦标赛法，将P和NP中相对较好的个体用来交叉变异）&