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：

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

由车间配置的性质，调度问题可以分为五类：单机调度、并行机调度、流水车间调度、作业车间调度和装配车间调度。其中单机调度为传统模式。

类型	工厂内部结构	工序顺序	每工序可选机器	应用场景示例
分布式并行机调度（DPM, Distributed Parallel Machine Scheduling）	多工厂，每厂为并行机系统	一道工序	工件在某一并行机上加工完即完成	简单装配、电子元件烧录
分布式流水车间调度（DFSP, Distributed Flow Shop Scheduling）	多工厂，每厂为固定顺序流水线	所有工件有相同的工序顺序	每道工序通常对应唯一机器组	印刷、焊接、PCB贴装
分布式作业车间调度（DFJSP, Distributed Job Shop Scheduling）	多工厂，每厂为作业车间结构	工件有各自不同的工序路径	每工序可选机器	模具制造、汽车零件
分布式装配车间调度（DASS, Distributed Assembly Shop Scheduling）	多工厂，每厂为含装配结构	含装配/拆卸操作	涉及装配约束和物料同步	电子产品、机电产品