MOGA就是第 t 代种群中个体，其 r ａｎｋ值定义为: 为第 t 代种群中所有支配得个体数目适应值(f ｉ tness val ｕ e)分配算法:1、 将所有个体依照ｒ ank 值大小排序分类;2、 利用插值函数给所有个体分配适应值（从 ra ｎｋ１到ra ｎ k ）,一般采纳线性函数3、 适应值共享:rank 值相同得个体拥有相同得适应值,保证后期选择时同一ｒ an ｋ值得个体概率相同最后采纳共享适应值随机选取得方法选择个体进入下一代一种改进得排序机制（ｒａ nk ｉ n ｇ ｓｃ he ｍ e）:向量与比较g ｏ a ｌ vec ｔｏ r:分为以下三种情况:1、2、当支配时，选择3、当支配时,选择优点:算法思想容易,效率优良缺点:算法容易受到小生境得大小影响理论上给出了参数得计算方法ＮＰ G Ａ基本思想：1、初始化种群 Pop2、锦标赛选择机制:随机选取两个个体与与一个 Po ｐ得 子集ＣＳ(p ａｒｉ son Set)做参照系。若被ＣＳ中不少于一 个个体支配,而没有被 C Ｓ中任一个体支配,则选择。3、其她情况一律称为死结(Tie),采纳适应度共享机制选择。个体适应度:小生境计数(Nic ｈ e Ｃｏ unt)：共享函数:共享适应度(the s ｈ ar ｅ d ｆ i ｔ n ｅ s ｓ):选择共享适应度较大得个体进入下一代优点:能够快速找到一些好得非支配最优解域 能够维持一个较长得种群更新期缺点:需要设置共享参数 需要选择一个适当得锦标赛机制 限制了该算法得实际应用效果N ＰＧ A II基本思想:１、初始化种群 Pop2、Pareto 排序：非支配个体ｒ ank＝０;其余个体 rank＝支配该个体得个体数目3、锦标赛选择机制：种群中任选两个个体与, 若,则选择; 若就是,称为死结(T ｉ e）, 采纳适应度共享机制选择。小生境计数(N ｉ c ｈｅ Count):这里得 Pop 只包含当前一代里得个体,在 NP Ｇ A 中,计算公式中得Ｐ op 包含当前一代以及已经产生得属于下一代得所有个体最后,选择计数较小得个体进入下一代在计算Ｎｉｃ he ｄ Ｃ o ｕｎ t 之前还要对函数值进行标准化:Ｎ S Ｇ A与简单得遗传算法得不同点在于ｓ electio ｎ ｏ perato ｒ wor ｋ s， cr ｏｓｓｏver ａｎ d mutati ｏ n opera ｔｏ r 就是一样得不一样得共享函数:表示个体 i 与 j 之间得距离就是共享参数,表示小生境得半径小生境计数(N ｉ c ｈ e Ｃ ou ｎｔ):共享适应值:最后采纳随机余数比例算法选择个体进行重新构造种群得基...
