通过第一次对 NSGA-II 人口动态的数学理解，我们证明了适当的人口规模的 NSGA-II 需要 O（Nnlogn）函数评估来查找 OneMinMax 问题的 Pareto 前沿，并且需要 O（Nn^k）个评估来解决带跳跃大小为 k 的 OneJumpZeroJump 问题，这些界限与以前显示的上界相一致，并且表明即使在并行运行时间（迭代次数）方面，NSGA-II 在较大的种群大小上也不会获益。

Sep, 2022

本文使用数学运行时分析严格证明和量化了 NSGA-II 算法在多目标问题中呈现的困难现象，并表明在计算拥挤距离时，不同目标被视为独立。

Nov, 2022

本文提供了 NSGA-III 的第一次数学运行时间分析，证明该算法对于 3 目标问题能够计算完整的 Pareto 前沿，远远优于 NSGA-II。

Nov, 2022

本研究证明使用 NSGA-II 算法，结合两种经典的变异算子和四种不同的父母选择方式，当种群大小为前沿帕累托曲线大小的 4 倍时，可以满足与 SEMO 和 GSEMO 算法在基本的 OneMinMax 和 LeadingOnesTrailingZeros 基准测试中相同的渐近运行时保证，但如果种群大小仅等于前沿帕累托曲线的大小时，NSGA-II 算法无法高效地计算完整的帕累托前沿。

Dec, 2021

对于 NP 完全的双目标最小生成树问题，我们通过数学手段证明了 Non-dominated Sorting Genetic Algorithm-II 的好性能，并且可以计算出 Pareto 前沿上所有极点的期望迭代次数。

May, 2023

本文针对一个由两个多峰目标组成的基准问题，进行 NSGA-II 算法的第一次运行时间分析，结果表明，当种群大小 N 至少是 Pareto 前沿的 4 倍时，NSGA-II 能够在时间复杂度为 O（N n^k）的情况下，使用四种不同的选择父母方式和位操作变异来优化 OneJumpZeroJump 基准测试，其中跳跃大小为 2≤k≤n/ 4。使用快速变异时，最近提出的重尾变异算子使这一保证提高了 k^Ω（k）倍。总体上，本研究表明，NSGA-II 至少可以胜任 OneJumpZeroJump 问题的局部最优解，不输于全局 SEMO 算法。

Apr, 2022

本文通过数学分析证实采用交叉操作时，NSGA-II 可以更快地优化 OneJumpZeroJump benchmark，并证明了这种交叉操作对单目标优化也有帮助，实验结果与证明相符。

Aug, 2022

特征选择是机器学习和数据挖掘中的一项复杂任务，其目标是去除无关和多余的特征，以提高分类准确性和减少内存需求。我们提出了一种多目标二进制优化算法 Compact NSGA-II，通过紧凑表示将种群视为概率分布，从而减少适应度评估次数，有效地探索搜索空间并在有限预算内表现出更高的效率。该算法是首个用于特征选择的紧凑多目标算法，并在五个数据集上的昂贵优化案例中取得了比 NSGA-II 更好的性能表现。

Feb, 2024

使用梯度信息和基于策略的方法在多目标 MDP 中学习连续的 Pareto 边界序列，通过跟踪单个梯度上升运行来生成解决方案。

Jun, 2014

本文介绍了一种滑动窗口加速技术，通过使用这种技术减少算法中的种群规模，达到与之前的方法相同的理论性能保证，同时显著提高解决一系列最大覆盖问题实例和约束设置的结果。

May, 2023