International Journal of Complexity in Applied Science and Technology，收录进化计算，机器学习和大数据方面的论文， 网址：https://www.inderscience.com/jhome.php?jcode=ijcast
遗传算法（GA）、非支配排序遗传算法（NSGA）、改进的非支配排序遗传算法II（NSGA-II）和改进的非支配排序遗传算法III（NSGA-III）是多目标优化领域的代表性算法。它们在求解多目标优化问题时采用了不同的演化策略。以下是这些算法的基本演化思路：
1. 遗传算法（GA）
基本思路：
- 初始化：随机生成一组个体作为初始种群。
- 选择：根据适应度值选择适合的个体作为父代。
- 交叉：通过交叉操作生成新的个体（子代）。
- 变异：对新个体进行变异以增加种群的多样性。
- 替换：选择子代或部分子代和父代形成新的种群，重复迭代直到满足终止条件。
特点：
- 主要用于单目标优化。
- 通过模拟自然选择和遗传机制来寻找最优解。
2. 非支配排序遗传算法（NSGA）
基本思路：
- 初始化：随机生成初始种群。
- 非支配排序：将种群按照非支配关系分层，得到多个帕累托前沿。
- 选择：根据非支配层级和拥挤度距离选择个体。
- 交叉与变异：生成新的个体。
- 更新种群：结合父代和子代，选择非支配排序前列和拥挤度较高的个体组成新的种群。
特点：
- 适用于多目标优化问题。
- 通过非支配排序和拥挤度维持解的多样性。
3. 改进的非支配排序遗传算法II（NSGA-II）
基本思路：
- 初始化：随机生成初始种群。
- 非支配排序：对种群进行非支配排序，确定个体的帕累托等级。
- 选择：采用锦标赛选择策略，基于非支配排序和拥挤距离选择父代。
- 交叉与变异：生成新的个体。
- 更新种群：将父代和子代合并，重新进行非支配排序，并选择前N个个体作为新的种群。
改进点：
- 使用快速非支配排序，提高计算效率。
- 引入拥挤度距离，保证解的多样性和分布均匀性。
4. 改进的非支配排序遗传算法III（NSGA-III）
基本思路：
- 初始化：随机生成初始种群，并定义参考点。
- 非支配排序：对种群进行非支配排序，确定个体的帕累托等级。
- 选择：基于非支配排序和参考点选择父代。
- 交叉与变异：生成新的个体。
- 更新种群：将父代和子代合并，重新进行非支配排序，使用参考点指导选择，形成新的种群。
改进点：
- 引入参考点来引导搜索方向，适用于高维目标优化问题。
- 参考点的使用增强了对解的分布控制能力，提高了算法在多目标优化问题上的性能。
这些算法在处理多目标优化问题时，通过不同的选择、交叉、变异和种群更新策略，力求在优化过程中找到分布均匀且多样的帕累托最优解集。
标签：种群,支配,父代,一文,个体,计算,遗传算法,排序,进化 From： https://blog.csdn.net/earthbingshi/article/details/139759708