我想知道在多目标优化选择的背景下，矢量生成遗传算法（VEGA）和非指定排序遗传算法（NSGA）算法之间存在什么差异？
（我知道NSGA是基于帕累托的，而VEGA是非基于帕累托的。）
答案 0 :(得分：4)
差异非常大。如你所说，一个是基于帕累托的，另一个不是。在MOO，这是一件大事。 VEGA的工作原理是将人口划分为不相交的集合，并迫使不同的集合向不同的单一目标发展。那里有一些机制可以帮助它们组合成帕累托集合的有意义的表示，但它基本上只是针对不同目标的解决方案的结合。通过选择相对于其单独设定的目标函数更好的解决方案来完成选择。
NSGA和其他基于帕累托的方法完全不同。他们的选择不是基于任何特定的目标选择，而是基于相互比较的解决方案的属性。每个这样的算法在执行这些比较时的选择略有不同，NSGA-II（你绝对应该使用算法的第二个版本）通过非支配排序来做到这一点。基本上，您可以找到所有非支配解决方案并将其称为＃1。然后，如果删除了集合＃1的元素，则会找到所有不受支配的解决方案 - 它们将成为＃2集。你继续坚持下去，直到考虑到所有的解决方案，结果就像剥去洋葱的层。选择过程是您始终选择较低类的成员（设置＃1，然后是＃2，依此类推）。如果你不能采取特定级别的所有元素，你可以通过在该级别中选择与其他级别相比的解决方案来打破关系，这个想法是，如果你不能全部采用它们，你至少应该尽量不挑选你从一个小小的集群中拿走的那些。
一般来说，您应该关注基于帕累托的方法。它们已经成为至少10 - 15年的成熟选择。特别是，您应该关注 elitist 基于帕累托的方法，如NSGA-II，SPEA2，epsilon-MOEA以及一些最近的竞争者。