宝塔服务器面板，一键全能部署及管理，送你10850元礼包，点我领取

SPEA以及SPEA2也算是和NSGAII 可以说得上并列的有名的多目标问题的优化算法了。并且NSGAII,SPEA,以及SPEA2会经常拿来和自己的算法来做对比，在写论文的时候。今天特意复习了下SPEA，下面总结一下这个算法，主要是描述一下流程，如果到最后还有啥没说全的就再补充下：
1：首先初始化一个archive的集合P1，以及一个常用的population的集合P。设置P1的大小是N1，P的大小是N。初始的时候P1是空的，而P是已经初始化好的种群个体。
2：对P1进行评价，选出来里面的pareto front为1（下面用PF1来代替了）的个体，copy到P1中，如果PF1的数量大于N1的话，这个接下来再说，目前假定PF1的数量小于N1。
3：此时P1中也有了个体，那么先给P1中的个体分配fitness，分配的思路是 f(i)=SiN+1 . i 就是P1中的个体，Si代表它在P中支配的个体的数量，然后再除以 N+1 保证这个值小于1。
4：接着再给P中的个体安排fitness，对于P中的个体来说 f(i)=1+∑S(j) 。 j 是代表在P1中支配i的个体。所以，在P中被别人支配的越多的个体，它的fitness就越大啊
5：接着再说下再进行crossover，有个选择parent的过程，这里也是用的tournament的方法，那么选择的依据是什么？就是合并P和P1，从里面选择fitness最小的。这个地方和NSGAII不同的就是没涉及到crowding。
6：再说下在步骤2中，如果PF1的数量大于N1的话，就选择crowding最大的（这个crowding和NSGAII中的不一样，此时用的是一种CLUSTERING的方法，这里不再多说了）。并且在每次从PF1中copy到P1的时候，还是要重新计算下，此时都在PF1中才行，不满足的要删除掉。