通过具有理论保证的真实拥挤距离克服 NSGA-II 的困难
内容提要
本研究分析了NSGA-II算法在无法计算完整Pareto前沿时的表现，证明了其在多目标问题中的有效性。提出的Compact NSGA-II算法优化了特征选择，表现优于传统方法。研究表明，适当的种群规模和交叉操作能提高算法效率。
延伸解读
种群规模的关键作用
文章通过数学分析指出，NSGA-II 的种群规模需至少为 Pareto 前沿大小的 4 倍，才能保证与 SEMO、GSEMO 等算法相同的渐近运行时。若种群规模仅等于前沿大小，则无法高效计算完整 Pareto 前沿。这提示实际应用中需合理设置种群规模，避免因规模不足导致性能下降。
交叉操作提升效率
研究表明，采用交叉操作时，NSGA-II 能更快优化 OneJumpZeroJump 基准，且该操作对单目标优化也有帮助。实验结果与理论证明相符，说明交叉操作在 NSGA-II 中具有积极作用，可加速收敛。
Compact NSGA-II 的创新
针对特征选择任务，提出的 Compact NSGA-II 通过紧凑表示将种群视为概率分布，减少适应度评估次数，在有限预算内高效探索搜索空间。作为首个用于特征选择的紧凑多目标算法，在五个数据集上表现优于传统 NSGA-II，为昂贵优化问题提供了新思路。
Q&A
NSGA-II算法在多目标问题中的有效性如何体现？
NSGA-II算法在无法计算完整Pareto前沿时，仍能有效逼近Pareto前沿，证明了其在多目标问题中的有效性。
Compact NSGA-II算法有什么创新之处？
Compact NSGA-II算法通过紧凑表示优化特征选择，减少适应度评估次数，表现优于传统方法。
如何提高NSGA-II算法的效率？
适当的种群规模和交叉操作可以显著提高NSGA-II算法的效率。
NSGA-II算法在特征选择中的应用效果如何？
NSGA-II算法在特征选择中表现出较高的效率，尤其是在有限预算下，能够有效探索搜索空间。
NSGA-II算法的种群规模对其性能有何影响？
当种群规模为Pareto前沿大小的4倍时，NSGA-II算法能够高效计算完整的Pareto前沿。
NSGA-II算法的交叉操作对优化有什么帮助？
交叉操作可以加快NSGA-II算法在OneJumpZeroJump基准测试中的优化速度，并对单目标优化也有帮助。
