No Free Lunch定理

Stanford大学Wolpert和Macready教授提出了NFL定理，它是优化领域中的一个重要理论研究成果，意义较为深远。现将其结论概括如下：

定理1 假设有A、B两种任意（随机或确定）算法，对于所有问题集，它们的平均性能是相同的（性能可采用多种方法度量，如最优解、收敛速率等），即

式中c为个体适应度的概率曲线；f为适应度函数；N为群体大小。

对于上述结论，Radcliffe和Surry也有相同的结论。例如，如果进化算法求解问题集A时的性能比模拟退火的性能好，那么必然会有模拟退火求解问题集B时的性能比进化算法的性能好。平均所有情况，两种算法的性能是相同的，甚至可以说没有哪种算法比随机搜索算法更好。根据NFL定理，算法性能“好”与“坏”不进与一定的问题有关，而且与个体适应度的概率曲线c有关，显然只有知道c才可评价算法性能的好坏。

比如，多目标协调进化算法（MOCEA）对于解决高维多目标优化问题尤其有效，但是由于其算法复杂，计算繁多，在解决低维多目标优化问题时，却不一定优于其它已有的多目标进化算法。