Như ta đã phân tích về hai phương pháp trọng số và phương pháp ràng buộc để giải bài toán MOP ta thấy rằng đối với hai phương pháp này đều đòi hỏi:
- Yêu cầu phải có kiến thức về vấn đề ứng dụng cần giải bài toán tối ưu.
- Kết quả của bài toán phụ thuộc vào hình dạng của đường cong tối ưu Pareto (phương pháp trọng số).
Mặc dù có những khó khăn và hạn chế như các phương pháp cổ điển vẫn được sử dụng rộng rãi, hiện nay để giải bài toán tối ưu đơn mục tiêu người ta vẫn sử dụng các thuật toán như thuật toán tìm ngẫu nhiên, thuật toán Simulated Annealig (SA), thuật toán Tabu Search (TS) và phương pháp Mouter Carlo. Tuy nhiên để giải một bài toán tối ưu hóa đa mục tiêu đòi hỏi phải chạy đi chạy lại nhiều lần các thuật toán trên thì mới có kết quả cuối cùng [8].
Các vấn đề hạn chế trên được giải quyết khi sử dụng thuật toán mới: thuật toán tìm kiếm theo kiểu tiến hóa. Thuật toán tìm kiếm theo kiểu tiến hóa là thuật ngữ chỉ các phương pháp tìm kiếm được lập trình mô phỏng theo quá trình tiến hóa của tự nhiên.
Vùng khả thi Mặt phẳng khả thi Không khả thi f2 F1 ' A B C D E
Thuật toán tìm kiếm theo kiểu tiến hóa là nguồn gốc hình thành thuật toán biến đổi Gen(GA) và lập trình theo kiểu tiến hóa (Evolution Programming-EP). Các kỹ thuật này đều dựa trên nguyên lý tiến hóa cơ bản của tự nhiên và khái niệm quá trình chọn lọc tự nhiên của nhà sinh vật học Darwinian.
Tiềm năng của việc ứng dụng thật toán biến đổi Gen(GA) để giải bài toán tối ưu đa mục tiêu đã chứng minh qua nhiều công trình nghiên cứu giải quyết các bài toán tối ưu đa mục tiêu trong thực tế. Thuật toán GA phù hợp để giải bài toán MOP bởi vì thuật toán này có thể xem xét một cách đồng thời một tập hợp các giải pháp. Với đặc điểm này cho phép thuật toán GA với một lần chạy có thể giải bài toán MOP, và tìm ra một tập hợp các giải pháp tối ưu Pareto. Thêm nữa thuật toán biến đổi Gen(GA) ít bị ảnh hưởng bởi hình dáng hoặc tính liên tục của đường cong Pareto. Vì vậy thuật toán GA là sự lựa chọn để thay thế các phương pháp cổ điển khi giải bài toán MOP.