一、论文题目 二、常见和不熟悉的术语 三、多目标求解 四、多目标优化算法 五、多目标进化算法 (MOEA )
一、论文题目 1.Preference-inspired co-evolutionary algorithms using weight vectors 使用权重向量的偏好启发协同进化算法 2.Differential evolution with multi-population based ensemble of mutation strategies 基于多种群变异策略集成的差分进化 11.Multi-objective optimal design of hybrid renewable energy systems using preference-inspired coevolutionary approach 用偏好启发协同进化方法的混合可再生能源系统的多目标优化设计 16.The iPICEA-g: a new hybrid evolutionary multi-criteria decision making approach using the brushing technique The iPICEA-g: 基于刷牙技术（？？）的一种新的混合进化多准则决策方法 22.Reconfiguration of satellite orbit for cooperative observation using variable-size multi-objective differential evolution 用可变尺寸多目标差分进化算法对卫星轨道合作观测的重构 23.Two phased hybrid local search for the periodic capacitated arcrouting problem 周期性带电容限制的弧路径规划问题的二阶段混合局部搜寻 28.Multi-objective optimization for a closed-loop network design problem using an improved genetic algorithm 基于改进遗传算法的闭环网络设计问题的多目标优化 32.Learning-driven many-objective evolutionary algorithms for satellite-ground time synchronization task planning problem 学习驱动的星地时间同步任务规划问题的多目标进化算法
二、常见和不熟悉的术语 Evolutionary algorithms 进化算法 Multi-objective optimisation 多目标优化 Many-objective 高维目标 Co-evolution 协同进化 Weights 权重 Decomposition based algorithms 基于分解的算法 Pareto optimal front 帕累托最优前沿 Pareto Dominate帕累托占优 Pareto Optimal帕累托最优解 Pareto Optimal Set帕累托最优解集合 evenly distributed 均匀分布 adaptive weights自适应权重 problem geometries 问题几何 Intelligent Computation 智能算法 Vector-Evaluated Genetic Algorithm 矢量评价遗传算法 Multi-Objective Simulated Annealing 多目标模拟退火 Ant Colony Algorithm 蚁群算法 Multi-Objecttive Genetic Algorithm 多目标遗传算法 Particle Swarm Optimization 粒子群优化算法 Non-dominated Sorting Genetic Algorithm 非支配排序遗传算法 Efficient Solution有效解 Niched Pareto Genetic Algorithm 小生境帕累托遗传算法 Strength Pareto Evolutionary Algorithm 强度帕累托进化算法 Pareto Archived Evolution Strategy 帕累托存档进化策略 comparison algorithm 比较算法 posteriori decision-making后验决策 a proximal and diverse representation近距离和多样性表示 weights based decomposition based MOEAs 基于权重分解的多目标进化算法 convergence 收敛 real-parameter function optimisation problems 实参数函数优化问题 multi-objective combinatorial problems 多目标组合问题 scalarising function 标度函数 genetic operators 遗传算子 Numerical optimization 数值优化 fitness improvement 适应度改进 mutation strategies 突变策略 dynamically partitioned 动态的划分 particle swarm optimization (PSO) 粒子群优化算法 Biogeography-based optimization (BBO) 生物地理学优化算法 fitness assignment method 适应度分配方法 annualized cost of system (ACS) 系统年化成本 the loss of power supply probability (LPSP) 供电损失概率 the fuel emissions 燃料排放 PV panels 光伏板 wind turbines 风力涡轮机 diesel generators 柴油发电机 non-dominated solutions 非主导解决方案 battery storage 蓄电池储能 best-in-class 一流的 storage devices 存储设备 followed by 其次是 Preference articulation 偏好表达 utility function 效用函数 aspiration levels 期望水平 in some sense 在某种意义上 an interactive decision-making 一种交互式决策 posteriori decision making 后验决策 group decisionmaking process 群体决策过程 fuzzy preferences模糊偏好 foster improvement促进改进 user friendly interface用户友好界面 Satellite orbit reconfiguration卫星轨道重构 Variable-size optimization可变尺寸优化 Estimation of Distribution Algorithm分布估计算法 on-orbit satellites 在轨卫星 coverage metrics 覆盖度量 fixed-length chromosome encoding scheme 固定长度染色体编码方案 expression vector 表达载体 modified initialization, mutation, crossover and selection operators修改初始化、变异、交叉和选择算子 minimizing fuel consumption燃油消耗最小化 maneuver time机动时间 the average revisit time (ART) for single target单个目标的平均重仿时间 the total coverage time (TCT) for multi-targets 多目标的总覆盖时间 the coverage statistics based on task scheduling (CSTS) 基于任务调度的覆盖统计 maneuver variables 机动变量 component values 组件值 Arc Routing Problem弧路径规划问题 Capacitated Arc Routing Problem(CARP)带电容限制的弧路径规划问题 Heuristics启发式 Capacitated arc routing带电容的弧路径规划 Bi-level optimization双层优化 Constrained combinatorial search约束组合搜索 primary objective主要目标 secondary objective次要目标 upper bound上限 prune the search space删减搜寻空间 local search heuristics局部搜索启发式算法 benchmark instances基准实例 aggregated weight function聚合权重函数 irrelevant solutions不相关解 dedicated search operators 专用搜索算子 heuristics启发式算法 tabu search procedure禁忌搜索过程 ameliorate改进 complementary互补 perturbation procedure微扰法 Closed loop supply chain闭环供应链 Carbon emission碳排放 Multi-objective programming多目标规划 Facility location设施选址 Evaluation algorithm评价算法 Mixed Integer Programming model混合整数规划模型 responsiveness of the network网络的响应能力 distribution center配送中心 allocation policy/reallocation policy 分配策略/再分配策略 explicitly considered 明确考虑 carbon market trading碳市场交易 carbon market trading臭氧消耗 market share 市场份额 company image公司形象 monetize货币化 Nondominated Sorting Genetic Algorithm II (NSGA II) 非支配排序遗传算法 Elitist Non-Dominated Sorting Genetic Algorithm，NSGA-II带精英策略的非支配排序遗传算法 logistic network 物流网络 automobile parts汽车零部件 Heuristic algorithms based on improved spanning tree approach 基于改进生成树方法的启发式算法 epsilon constraint methods epsilon约束法 the quantities of demand and return需求量和收益（回报）量 remanufacturing option 再制造选择 refurbishing翻新 cannibalization零件拆用 ground station scheduling problem地面站调度问题 navigation systems导航系统 time-consuming耗时、费时 dynamic learning-based roll planning algorithm动态学习的滚动规划算法 Chinese Compass navigation system中国指南针导航系统
三、多目标求解的三种方法： （1）求非劣解的生成法，即先求出大量的非劣解，构成非劣解的一个子集，然后按照决策者的意图找出最终解；（生成法主要有加权法﹑约束法﹑加权法和约束法结合的混合法以及多目标遗传算法） （2）交互法，不先求出很多的非劣解，而是通过分析者与决策者对话的方式，逐步求出最终解 （3）事先要求决策者提供目标之间的相对重要程度，算法以此为依据，将多目标问题转化为单目标问题进行求解。
四、多目标优化算法(MOPT) 多目标优化算法归结起来有传统优化算法和智能优化算法两大类： （1）传统优化算法包括加权法、约束法和线性规划法等，实质上就是将多目标函数转化为单目标函数，通过采用单目标优化的方法达到对多目标函数的求解。 线性加权求和法——对多目标优化问题中的N个目标按其重要程度赋以适当的权系数，其乘积和作新的目标函数，再求最优解。 （2）智能优化算法包括进化算法（Evolutionary Algorithm, 简称EA）、粒子群算法（Particle Swarm Optimization, PSO）等。
五、多目标进化算法 (MOEA ) （1）MOEA通过对种群 X ( t)执行选择、交叉和变异等操作产生下一代种群 X ( t + 1) ； （2）在每一代进化过程中 ,首先将种群 X ( t)中的所有非劣解个体都复制到外部集 A ( t)中； （3）然后运用小生境截断算子剔除A ( t)中的劣解和一些距离较近的非劣解个体 ,以得到个体分布更为均匀的下一代外部集 A ( t + 1) ； （4）并且按照概率 pe从 A ( t + 1)中选择一定数量的优秀个体进入下代种群； （5）在进化结束时 ,将外部集中的非劣解个体作为最优解输出。
（一）NSGA（非支配排序遗传算法） 常见术语： 小生境技术——将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个群，再在种群中，以及不同种群中之间，杂交，变异产生新一代个体群。同时采用预选择机制和排挤机制或分享机制完成任务。 基于共享机制的小生境实现方法——通过反映个体之间的相似程度的共享函数来调节群体中各个个体的适应度，从而在这以后的群体进化过程中，算法能够依据这个调整后的新适应度来进行选择运算，以维持群体的多样性，创造出小生境的进化环境。 共享函数——表示群体中两个个体之间密切关系程度的一个函数
（二）NSGAII（带精英策略的非支配排序的遗传算法） NSGA一II算法的基本思想： （1）首先,随机产生规模为N的初始种群,非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群; （2）其次,从第二代开始,将父代种群与子代种群合并,进行快速非支配排序,同时对每个非支配层中的个体进行拥挤度计算,根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群; （3）最后,通过遗传算法的基本操作产生新的子代种群:依此类推,直到满足程序结束的条件。
（三） 多目标粒子群算法( PSO ) 基本粒子群算法： 粒子群由 n个粒子组成 ,每个粒子的位置 xi 代表优化问题在 D维搜索空间中潜在的解； 粒子在搜索空间中以一定的速度飞行 , 这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整下一步飞行方向和距离； 所有的粒子都有一个被目标函数决定的适应值（可以将其理解为距离“玉米地”的距离） , 并且知道自己到目前为止发现的最好位置 (个体极值 pi )和当前的位置 ( xi ) 。
粒子群算法基本思想: （1）初始化种群后 ,种群的大小记为 N。基于适应度支配的思想 ,将种群划分成两个子群 ,一个称为非支配子集 A,另一个称为支配子集 B ,两个子集的基数分别为 n1、n2 。 （2）外部精英集用来存放每代产生的非劣解子集 A,每次迭代过程只对 B 中的粒子进行速度和位置的更新 ； （3）并对更新后的 B 中的粒子基于适应度支配思想与 A中的粒子进行比较 ,若 xi ∈B , ϖ xj ∈A,使得 xi 支配 xj,则删除 xj,使 xi 加入 A 更新外部精英集 ;且精英集的规模要利用一些技术维持在一个上限范围内 ,如密度评估技术、分散度技术等。 （4）最后 ,算法终止的准则可以是最大迭代次数 Tmax、计算精度ε或最优解的最大凝滞步数 Δt等。
参考：https://blog.csdn.net/weixin_43202635/article/details/82700342
