MOEA-D（Multi-Objective Evolutionary Algorithm based on Decomposition） 是 Zhang 和 Li 于 2007 年提出的一类多目标进化算法。
其核心思想是：将一个多目标优化问题分解为多个标量子问题，并通过协同进化同时求解这些子问题。

与基于 Pareto 排序的算法（如 NSGA-II、SPEA2）不同，MOEA-D 不显式进行非支配排序，而是通过 分解函数 + 邻域协作机制 来实现收敛性与多样性的平衡。

算法流程图

一、算法原理与核心机制

一、算法简介

NPGA（Niched Pareto Genetic Algorithm） 是由 Horn、Nafpliotis 和 Goldberg 于 1994 年提出的早期多目标遗传算法。
它在多目标优化中引入了 小生境技术（Niching） 或 共享函数（Fitness Sharing），
用于保持 Pareto 前沿上解的多样性，防止解聚集在局部区域。

其核心思想是：

“用支配关系进行选择，用共享函数保持多样性。”

NSGA-II（Non-dominated Sorting Genetic Algorithm II）：Deb 等于 2002 年提出，通过快速非支配排序、拥挤度距离与精英保留策略实现高效且分布均匀的多目标优化。

算法流程图

一、算法原理与核心机制

---

1. 多目标优化问题与帕累托支配

（1）问题定义

$$\min_{\mathbf{x}\in\Omega} \mathbf{F}(\mathbf{x}) = [f_1(\mathbf{x}), f_2(\mathbf{x}), \dots, f_M(\mathbf{x})],$$

NSGA-III（Non-dominated Sorting Genetic Algorithm III） 是 Deb 等人在 2014 年提出的多目标进化算法。
它是在 NSGA-II 的基础上引入了 参考点的概念，以改进算法在高维多目标优化问题中的表现，特别是当目标数较大时，NSGA-III 能更好地处理解的分布和收敛问题。

---

算法流程图

一、算法原理与核心机制

1. 多目标优化问题与Pareto前沿

多目标优化问题一般形式为：

SPEA2（Strength Pareto Evolutionary Algorithm 2） 是 Zitzler、Laumanns 和 Thiele 于 2001 年提出的多目标进化算法。
它在 SPEA 的基础上改进了 适应度计算、外部精英集管理和密度估计机制，以更好地保持种群的多样性和收敛性。

算法流程图

一、算法原理与核心机制

1. 问题设定与基本符号

多目标优化问题定义为：

$$\min_{x\in\Omega} F(x) = [f_1(x), f_2(x), ..., f_M(x)]$$

MOGA（Multi-Objective Genetic Algorithm） 是 Fonseca & Fleming 于 1993 年提出的多目标进化算法。
它在经典遗传算法基础上，通过 Pareto 支配排序 + 适应度共享机制 实现多目标优化。

---

🧩 算法流程图

一、算法原理与核心机制

1. Pareto 支配关系

在多目标优化问题中，我们通常希望同时最小化（或最大化）多个目标函数：

$$\min_{x \in \Omega} F(x) = [f_1(x), f_2(x), \dots, f_m(x)]$$