本书中所有算法均采用Java语言编程，且在j Metal［12］平台上执行实验。实验测试在Intel core i5，2.39 GHz，4 GB RAM的Windows 8操作系统下进行。

在多目标进化算法中，不同的参数配置影响着算法的性能，大量实验已证明种群和外部文档的大小在不同规模问题上都对算法性能具有一定的敏感性［13］。对于规模较大的问题，种群和外部文档等参数通常也设置得较大。因此，对于10工件和30工件的问题（小规模问题），算法中的最大函数评价次数为25000；对于50工件和80工件的问题（中等规模问题），最大函数评价次数为35000；对于100工件和200工件的问题（大规模问题），最大函数评价次数设置为45000。对于10工件和30工件的问题，种群大小和外部文档大小均设置为50。对于50工件和80工件的问题，种群大小和外部文档大小均设为80。对于100工件和200工件的问题，种群大小和外部文档大小均设为100。每种算法在每个问题上均执行30次独立运算。(www.daowen.com)

统计数据的最优结果均以加粗字体突出展示，所采用的元启发式算法均具有随机不稳定的特性。因此，需使用统计分析方法来验证对比结果的显著性差异。本书采用Wilcoxon（威尔科克森）符号秩检验方法来测试不同算法之间的显著性差异，所有测试的显著性水平均设置为95%（对应的α=0.05）。符号“+”表示提出的算法要显著地优于其竞争对比算法；符号“-”表示提出的算法要显著地劣于最好的算法；符号“=”说明对比的算法之间无显著性差异。R+表示提出的算法求解某问题时优于其竞争者的秩和；反之，R-表示提出的算法求解某问题时劣于其竞争者的秩和［14］。