论文阅读:《针对多目标优化和应用的 NSGA-II 综述》一些关于优化算法的简介

前言

提醒:

文章内容为方便作者自己后日复习与查阅而进行的书写与发布,其中引用内容都会使用链接表明出处(如有侵权问题,请及时联系)。

其中内容多为一次书写,缺少检查与订正,如有问题或其他拓展及意见建议,欢迎评论区讨论交流。
内容由AI辅助生成,仅经笔者审核整理,请甄别食用。

文章目录


Ma, Haiping & Zhang, Yajing & Sun, Shengyi & Liu, Ting & Shan, Yu. (2023). A comprehensive survey on NSGA-II for multi-objective optimization and applications. Artificial Intelligence Review. 56. 1-54. 10.1007/s10462-023-10526-z.

一些关于优化算法的缩写

以下是图中内容整理成的Markdown表格,其中英文全称后面直接添加了中文翻译:

缩写 全称(Full Name)
EA Evolutionary algorithm(进化算法)
GA Genetic algorithm(遗传算法)
DE Differential evolution(差分进化)
CMA-ES Covariance matrix adaptation evolution strategy(协方差矩阵适应进化策略)
MOP Multi-objective optimization problem(多目标优化问题)
MOEA Multi-objective evolutionary algorithm(多目标进化算法)
NSGA Non-dominated sorting genetic algorithm(非支配排序遗传算法)
MOEA/D Multi-objective evolutionary algorithm based on decomposition(基于分解的多目标进化算法)
CMOEA Coevolutionary multi-objective evolutionary algorithm(协同多目标进化算法)
IBEA Indicator-based evolutionary algorithm(基于指标的进化算法)
MOPSO Multiple objectives with particle swarm optimization(多目标粒子群优化)
SPEA Strength Pareto evolutionary algorithm(强度帕累托进化算法)
PBEA Preference-based evolutionary algorithm(基于偏好的进化算法)
MOGLS Multi-objective genetic local search(多目标遗传局部搜索)
MOGA Multi-objective genetic algorithm(多目标遗传算法)
HypE Hypervolume estimation algorithm(超体积估计算法)
SIBEA Simple indicator-based evolutionary algorithm(简单指标基进化算法)
MODE Multi-objective differential evolution algorithm(多目标差分进化算法)
MOGWO Multi-objective grey wolf optimizer(多目标灰狼优化器)
MOACO Multi-objective ant colony optimization(多目标蚁群优化)
ANN Artificial neural network(人工神经网络)
PID Proportional integral derivative(比例积分微分)
WSN Wireless sensor network(无线传感器网络)

优化算法

类型算法 能力 独特特征 优势 弱点 相似算法
NSGA-II (Deb et al. 2002) 基于支配的多目标优化问题(两个或三个目标) 应用帕累托支配原则来分配解决方案的成本值,并用作多样性保持和拥挤距离的度量 它在解的传播方面保持更好,并在面对许多目标问题时收敛到真实的帕累托最优前沿 选择压力减少,进化过程在面对许多目标问题时受到阻碍 SPEA2 (Zitzler et al. 2001), ε-MOEA (Deb et al. 2005)
NSGA-III (Deb and Jain 2014) 参考框架基础的多目标优化问题(四个或更多目标,最多15个目标) 它使用广泛分布的参考点来确定偏好信息,以指导搜索方向 它增加了帕累托解的分布和多样性,并成功解决许多目标优化问题 多样性度量和性能指标的评估在计算上是昂贵的 G-MOEA (Branke et al. 2001), PSEA (Thiele et al. 2009)
MOEAD (Zhang and Li 2007) 基于分解的多目标和多约束优化问题(两个或更多目标) 传统聚合方法用于将MOP分解为多个标量子问题 每个子问题可以自然地使用标量局部搜索,所有子问题都使用预定的权重向量来保持解决方案的多样性 需要额外的参数和预定义的权重向量集 MOGLS (Ishizuchi and Murata 1998), C-MOGA (Murata and Gen 2002)
IBEA (Zitzler and Künzli 2004) 基于指标的多目标优化问题(两个或三个目标) 性能指标如通用距离(GD)、超体积(HV)用于指导搜索,特别是用于解决方案选择 它只比较解决方案对而不是整个近似前沿集,有助于不同类别问题的收敛和多样性 用户偏好信息未被利用,导致相对较差的鲁棒性 HypE (Bader and Zitzler 2011), SIBEA (Brockhoff and Zitzler 2007)
MOPSO (C. Carlos A et al. 2004) 基于混合框架的多目标优化问题(两个或三个目标) 不同的搜索和更新方法与MOPS结合处理 它结合了许多技术的不同特征和优势,以平衡支配和非支配解决方案 难以选择全局和局部最优粒子来指导搜索 MODE (Ali et al. 2012), MOGWO (Mirjalili et al. 2016)

Overview of different directions of research on NSGA‑II

相关推荐
机器学习之心18 分钟前
多目标鲸鱼优化算法(NSWOA),含46种测试函数和9个评价指标,MATLAB实现
算法·matlab·多目标鲸鱼优化算法·46种测试函数·9个评价指标
max5006001 小时前
基于Meta Llama的二语习得学习者行为预测计算模型
人工智能·算法·机器学习·分类·数据挖掘·llama
王哥儿聊AI2 小时前
Lynx:新一代个性化视频生成模型,单图即可生成视频,重新定义身份一致性与视觉质量
人工智能·算法·安全·机器学习·音视频·软件工程
张较瘦_3 小时前
[论文阅读] 人工智能 + 软件工程 | 从“人工扒日志”到“AI自动诊断”:LogCoT框架的3大核心创新
论文阅读·人工智能·软件工程
张较瘦_4 小时前
[论文阅读] 人工智能 + 软件工程 | 35篇文献拆解!LLM如何重塑软件配置的生成、验证与运维
论文阅读·人工智能·软件工程
手握风云-4 小时前
优选算法的寻踪契合:字符串专题
算法
闭着眼睛学算法4 小时前
【华为OD机考正在更新】2025年双机位A卷真题【完全原创题解 | 详细考点分类 | 不断更新题目 | 六种主流语言Py+Java+Cpp+C+Js+Go】
java·c语言·javascript·c++·python·算法·华为od
IT古董4 小时前
【第五章:计算机视觉-项目实战之目标检测实战】2.目标检测实战:中国交通标志检测-(2)中国交通标志检测数据格式转化与读取
算法·目标检测·计算机视觉
MobotStone4 小时前
LLM 采样入门到进阶:理解与实践 Top-K、Top-P、温度控制
算法
杨小码不BUG5 小时前
CSP-J/S初赛知识点精讲-图论
c++·算法·图论··编码·csp-j/s初赛