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

前言
一些关于优化算法的缩写
优化算法

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)