There is also a new version of SPEA

There is also a new version of SPEA called SPEA2 (Zitzler et al., 2001). SPEA2 has three

improved features compared with SPEA: SPEA2 uses a fine-grained fitness assignment strat-
egy, nearest-neighbour density estimation technique for efficient search and improved storing

to preserve boundary solutions.

NSGA-II and SPEA2 are the two benchmark methods widely used by the MOEA research

community to compare the performance of new approaches and algorithms. There have been

various other MOEAs reported in the literature over the last two decades. Knowles and Corne

(2000) proposed a Pareto-archived evolution strategy (PAES) based on (1 + 1) evolution strat-
egy. Van Veldhuizen and Lamont (2000) proposed a multi-objective messy genetic algorithm

(MOMGA) based on messy GA. Corne et al. (2000) proposed a Pareto envelope-based selec-
tion algorithm (PESA) using a hypergrid division of phenotype space for maintaining selection

diversity. The micro-genetic algorithm for multi-objective optimization, called micro-GA, was

proposed by Coello Coello and Pulido (2005) using a small population with reinitialization

process. A comprehensive review of all these evolutionary multi-objective optimization algo-
rithms can be found in Coello Coello et al. (2007) and Deb (2008).

Kết quả (Việt) 1:

Chỗ ở này cũng có một phiên bản mới của SPEA được gọi là SPEA2 (Zitzler và ctv., 2001). SPEA2 có bacải thiện tính năng so với SPEA: SPEA2 sử dụng một hạt mịn thể dục chuyển nhượng bắt đầu -egy, gần nhất hàng xóm kỹ thuật dự toán mật độ cho hiệu quả tìm kiếm và cải thiện lưu trữđể bảo vệ biên giới giải pháp.NSGA-II và SPEA2 là hai phương pháp tiêu chuẩn được sử dụng rộng rãi bởi các nghiên cứu MOEAcộng đồng để so sánh hiệu suất của phương pháp tiếp cận mới và thuật toán. Đã cókhác nhau khác MOEAs báo cáo trong các tài liệu hơn hai thập kỷ qua. Knowles và thuộc(2000) đề xuất một chiến lược lưu trữ Pareto tiến hóa (PAES) được dựa trên (1 + 1) tiến hóa bắt đầu -egy. Van Veldhuizen và Lamont (2000) đề xuất một thuật toán di truyền đa mục tiêu lộn xộn(MOMGA) dựa trên lộn xộn GA. thuộc et al. (2000) đề xuất một Pareto dựa trên phong bì selec-thuật toán tion (PESA) bằng cách sử dụng một bộ phận hypergrid kiểu hình không gian cho việc duy trì lựa chọnsự đa dạng. Các thuật toán di truyền vi để tối ưu hóa đa mục tiêu, được gọi là vi-GA, làđề nghị của Coello Coello và Pulido (2005) bằng cách sử dụng một quần thể nhỏ với reinitializationquá trình. Một đánh giá toàn diện của tất cả các tối ưu hóa đa mục tiêu tiến hóa algo-rithms có thể được tìm thấy ở Coello Coello et al. (2007) và Deb (2008).