NSGA-II
由Deb等人于2002年提出的多目标进化优化经典算法，核心机制包括非支配排序和拥挤度距离，能够在保持种群多样性的同时有效搜索帕累托最优解
时间轴 (近 90 天)
LOADBench 数据集中的每个拓扑都附带一次多目标 NSGA-II 尺寸优化运行的结果，生成约 10³ 组帕累托最优解和 10⁶ 组中间尺寸-性能配对。
NSGA-II 在 Router Rumble 中维护一个由 32 个位置组成的种群，最终达到 560 个采样位置中的 209 个覆盖，远超梯度下降的 100 个
NSGA-II 本是为多目标优化设计的算法，但 Router Rumble 示例中只使用了单一目标
Austin Starks 开源了一个名为 Router Rumble 的 Python 实验项目，用 WiFi 路由器摆放场景可视化对比梯度下降与 NSGA-II 的差异
NSGA-II 的核心机制包括非支配排序（按帕累托前沿分层）和拥挤度距离（度量个体在目标空间的稀疏程度）
pymoo 是一个专门实现多目标优化算法的 Python 库，提供 NSGA-II 及其变体的开箱即用实现
NSGA-II（Non-dominated Sorting Genetic Algorithm II）由 Deb 等人于 2002 年提出，是多目标进化优化领域的经典算法
全部知识事实 (7)
LOADBench 数据集中的每个拓扑都附带一次多目标 NSGA-II 尺寸优化运行的结果，生成约 10³ 组帕累托最优解和 10⁶ 组中间尺寸-性能配对。
50%待验证NSGA-II 在 Router Rumble 中维护一个由 32 个位置组成的种群，最终达到 560 个采样位置中的 209 个覆盖，远超梯度下降的 100 个
50%待验证NSGA-II 本是为多目标优化设计的算法，但 Router Rumble 示例中只使用了单一目标
50%待验证NSGA-II 的核心机制包括非支配排序（按帕累托前沿分层）和拥挤度距离（度量个体在目标空间的稀疏程度）
50%待验证pymoo 是一个专门实现多目标优化算法的 Python 库，提供 NSGA-II 及其变体的开箱即用实现
50%待验证NSGA-II（Non-dominated Sorting Genetic Algorithm II）由 Deb 等人于 2002 年提出，是多目标进化优化领域的经典算法
50%待验证Austin Starks 开源了一个名为 Router Rumble 的 Python 实验项目，用 WiFi 路由器摆放场景可视化对比梯度下降与 NSGA-II 的差异
50%