目录
一、SPEA算法
1.个体适应度（Pareto强度）
在SPEA算法中，非支配集中个体的适应度定义为其所支配的个体总数在群体中所占的比重。其他个体的适应度定义为支配它的个体总数加1。约定适应度低的个体对应着较高的选择概率。
2.外部种群
在SPEA算法中，除了进化种群以外,还设置了一个保存当前非支配个体的外部种群。当外部种群的个体数目超过约定值时，则用聚类技术来删减个体。
3.复杂度
SPEA算法采用锦标赛选择从进化群体和外部种群中选择个体进入交配池,进行交叉、变异操作。其计算复杂度高达种群大小的立方。
4. SPEA2
（1）改进方向
SPEA2是SPEA的改进版本，其在适应度分配策略、个体分布性的评估方法以及非支配解集的更新3个方面进行了改进。
（2）个体适应度函数
在SPEA2中，个体的适应度函数为 F(i)=R(i)+D(i),其中，R(i)同时考虑到个体，在外部种群和进化种群中的个体支配信息，D(i)是由个体i到它的第k个邻近个体的距离决定的拥挤度度量。
（3）构造新群体
在构造新群体时,首先进行环境选择,然后进行交配选择。在进行环境选择时,首先选择适应度小于1的个体进入外部种群,当这些个体数目小于外部种群的大小时,选择进化种群中适应度较低的个体；当这些个体数目大于外部种群的大小时,则运用环境选择进行删减 在交配选择中,运用锦标赛机制选择个体进入交配池。SPEA2引入了基于近邻规则的环境选择,简化了SPEA中基于聚类的外部种群更新方法。
（4）算法复杂度
虽然其计算复杂度仍为种群规模的立方,但是,基于近邻规则的环境选择得出的解分布的均匀性是很多其他方法无法超越的。
二、PAES、PESA、PESA-II
1.PAES
（1）算法思想
PAES采用（1+1）进化策略对当前一个解进行变异操作,然后对变异后的个体进行评价，比较它与变异前个体的支配关系,采用精英保留策略保留其中较好的。
（2）经典之处
引进了空间超格的机制来保持种群的多样性,每一个个体分配进一个格子。该算法的时间复杂度为O(N*N’)，其中N为进化种群的大小,N’为外部种群的大小。
2.PESA
（1）算法思想
PESA设置了一个内部种群和一个外部种群,进化时将内部种群的非支配个体并入到外部种群中,当一个新个体进入外部种群时,同时要在外部种群中淘汰一个个体。
（2）具体方法
在外部种群中寻找拥挤系数最大的个体并将其删除,如果同时存在多个个体具有相同的拥挤系数,则随机地删除一个一个个体的拥挤系数是指该个体所对应的超格中所聚集个体的数目.
3.PESA-II
（1）改进
Come等人在2001年对PESA作了进一步改进,称为PESA-II。提出了基于区域选择的概念 ,与基于个体选择的相比,PESA-II用 网格选择代替个体选择，在一定程度上提高了算法的效率。
三、NSGA-II
1.地位
它是迄今为止最优秀的进化多目标优化算法之一。
2.优点
①新的基于分级的快速非支配解排序方法将计算复杂度由O(mN3)降到O(mN2) ,其中, m表示目标函数的数目\N表示种群中个体的数目
②为了标定快速非支配排序后同级中不同元素的适应度值,同时使当前Pareto前沿面中的个体能够扩展到整个Pareto前沿面,并尽可能地均匀遍布。该算法提出了拥挤距离的概念,采用拥挤距离比较算子代替NSGA中的适值度共享方法,拥挤距离的时间复杂度为O(m(2N)log(2N))
③引入了精英保留机制,经选择后参加繁殖的个体所产生的后代与其父代个体共同竞争来产生下一代种群。
因此有利于保持优良的个体,提高种群的整体进化水平
总结
该时期的算法以精英保留策略为主要特征，并且大多数算法不再以适应度共享的小生境技术作为保持种群多样性的手段，一些更好的策略被提出来，比如基于聚类的方法、基于拥挤距离的方法、基于于空间超格的方法等
2326
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
