一、概念与作用

多项式变异（Polynomial Mutation）是一种连续变量的变异算子，广泛应用于进化算法（如 NSGA-II、MOEA/D）中。
其主要思想是：

通过一个可调的多项式分布实现“小扰动概率高，大扰动概率低”的变异机制，
以维持种群多样性并防止早熟收敛。

---

二、基本形式

设个体的第 $i$ 个决策变量为 $x_i$，定义域为 $[x_i^{(L)}, x_i^{(U)}]$。
变异操作为：

一、背景与动机

传统遗传算法多使用二进制编码与单点交叉。
但在实际优化问题中，更自然的表示通常是实数编码。
因此，需要一种方法让实数编码的交叉操作仍然具备二进制交叉的特性。

SBX（Simulated Binary Crossover） 由 Deb 和 Agrawal（1995）提出，
其目标是在实数空间中模拟二进制交叉的“统计行为”。

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

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

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：

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

优化问题类型	典型基准问题 / 模型	主要研究方向
连续优化（Continuous Optimization）	- Sphere 函数：$f(x)=\sum x_i^2$ - Rosenbrock 函数：$f(x)=(1-x_1)^2+100(x_2-x_1^2)^2$ - Rastrigin、Ackley、Griewank、Schwefel 函数 - CEC系列连续测试集（CEC2005/2013/2017）	- 高维连续优化（10–100维） - 非凸、多峰函数优化 - 旋转/偏移不变性研究 - 混合函数与复杂景观分析
组合优化（Combinatorial Optimization）	- 旅行商问题（TSP） - 背包问题（Knapsack） - 作业车间调度（JSSP） - 车辆路径问题（VRP） - 图着色问题（Graph Coloring）	- 离散编码设计与邻域搜索 - 混合群智能算法（如GA+ACO） - 大规模与动态调度优化 - 元启发式的多任务迁移优化
约束优化（Constrained Optimization）	- 压力容器设计 - 悬臂梁设计 - 焊接梁设计 - CEC2010/2020约束测试集	- 约束处理策略（惩罚函数、Deb规则、修复策略） - 可行性保持与动态罚项调节 - 混合差分进化（DE）与CMA-ES算法
多目标优化（Multi-objective Optimization, MOO）	- ZDT系列（ZDT1–ZDT6） - DTLZ系列（DTLZ1–DTLZ7） - WFG系列（WFG1–WFG9） - CEC多目标优化测试集	- 帕累托前沿近似与分布性分析 - NSGA-II、MOEA/D及其改进算法 - 高维多目标（>10目标）优化 - 决策偏好与交互优化
动态优化（Dynamic Optimization）	- 动态TSP（DTSP） - Moving Peak Benchmark (MPB) - 动态约束优化问题（DOPs）	- 环境变化检测与预测 - 多种群与记忆机制 - 自适应学习与转移优化 - 在线优化与持续学习
鲁棒/随机优化（Robust & Stochastic Optimization）	- 不确定参数线性/非线性规划 - 随机TSP / 随机VRP - 鲁棒设计问题	- 鲁棒性建模与期望最优策略 - 随机场景采样与分布式优化 - 不确定性建模与贝叶斯优化
混合整数优化（Mixed Integer Optimization）	- 混合整数规划（MIP） - 混合Job Shop问题 - 能源调度优化	- 连续与离散变量协同优化 - 混合编码与约束修复机制 - 智能电网与微电网调度优化
工程优化（Engineering Optimization）	- 容器设计、梁结构优化 - 天线阵列优化 - PID参数整定 - 机械结构与控制系统设计	- 工程约束处理与可行性修复 - 多学科优化（MDO） - 基于仿真的黑盒优化
数据与机器学习优化（ML-related Optimization）	- 特征选择 / 特征子集优化 - 聚类优化（K-means改进） - 超参数优化 / 神经结构搜索（NAS）	- 黑盒高维优化算法 - 基于梯度与元启发式的结合 - 自适应采样与代理模型优化
复杂混合优化（Hybrid & Multi-type Optimization）	- CEC混合测试函数 - 组合+连续混合设计问题 - 动态多目标约束问题	- 多层次优化（分解策略） - 多算法协同与迁移学习 - 算法框架统一化（如Auto-EA）

多目标进化算法（MOEA）产生的结果是一个 Pareto非支配解集，
算法性能的优劣通常通过 收敛性（Convergence） 与 多样性（Diversity） 两个方面进行衡量。

---

一、性能指标总体分类

多目标优化问题的评价指标主要分为以下几类：

类别	含义	常用指标	评价重点
① 收敛性指标	衡量算法解集到真实Pareto前沿的接近程度	GD、IGD、Epsilon指标	解的精确性
② 多样性指标	衡量解集在前沿上的分布均匀性与覆盖性	SP、Δ（Spread）、均匀性度量	解的均匀分布与边界覆盖
③ 综合性指标	同时反映收敛与分布性能	HV（超体积）、IGD（兼顾两者）	综合评价整体性能
④ 相对比较指标	比较两个算法间的优劣关系	C-Metric（覆盖率）、R2指标	算法间性能对比

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：

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