进化算法

从进化算法的角度来讲，目前已有遗传算法(GA)，粒子群算法(PSO)，蚁群算法(ACO)等一系列算法用来解决多目标优化问题，但用的比较多的还是遗传算法，粒子群算法也有。

一、将进化算法应用于多目标优化时，必须解决两个主要问题:

1. 如何分别完成适应度分配和选择，以引导搜索走向帕累托最优集。

2. 如何保持种群的多样性，以防止过早收敛，实现分布良好的均衡前沿。

通常，基于第一个问题，可以对不同的方法进行分类，这样就可以区分标准选择、聚合选择和Pareto最优选择。标准选择，基于特定标准在目标之间进行切换选择。

1）标准选择方法类：向量评估遗传算法（VEGA）(Schaffer, 1984, 1985)

2）聚集选择方法类：Hajela和Lin(1992)提出的EA是基于适应度共享的聚集选择(Goldberg和Richardson, 1987)，其中个体通过加权客观值的总和进行评估。由于加权求和法的简单性，其应用范围似乎还很广泛。
3）一种基于精英帕累托的策略，即强度帕累托进化算法(SPGA) (Zitzler and Thiele, 1999)。