ในคณิตศาสตร์ประยุกต์การเพิ่มประสิทธิภาพแบบหลายโหมดเกี่ยวข้องกับ งาน เพิ่มประสิทธิภาพที่เกี่ยวข้องกับการค้นหาคำตอบทั้งหมดหรือส่วนใหญ่จากหลายคำตอบ (อย่างน้อยก็คำตอบที่เหมาะสมที่สุดในระดับท้องถิ่น) ของปัญหา แทนที่จะเป็นคำตอบที่ดีที่สุดเพียงคำตอบเดียว การเพิ่มประสิทธิภาพแบบหลายโหมดเชิงวิวัฒนาการเป็นสาขาหนึ่งของการคำนวณเชิงวิวัฒนาการซึ่งมีความเกี่ยวข้องอย่างใกล้ชิดกับการเรียนรู้ของเครื่อง Wong ได้ให้การสำรวจสั้นๆ^{[ 1 ]}โดยที่บทของ Shir ^{[ 2 ]}และหนังสือของ Preuss ^{[ 3 ]}ครอบคลุมหัวข้อนี้ในรายละเอียดเพิ่มเติม

ความรู้เกี่ยวกับวิธีแก้ปัญหาหลายวิธีสำหรับงานเพิ่มประสิทธิภาพนั้นมีประโยชน์อย่างยิ่งในงานวิศวกรรม โดยเฉพาะอย่างยิ่งเมื่อข้อจำกัดทางกายภาพ (และ/หรือต้นทุน) อาจทำให้ไม่สามารถบรรลุผลลัพธ์ที่ดีที่สุดได้เสมอไป ในสถานการณ์เช่นนี้ หากทราบวิธีแก้ปัญหาหลายวิธี (ที่เหมาะสมที่สุดในระดับท้องถิ่นและ/หรือระดับโลก) ก็สามารถเปลี่ยนไปใช้วิธีแก้ปัญหาอื่นได้อย่างรวดเร็วและยังคงได้ประสิทธิภาพของระบบที่ดีที่สุดเท่าที่จะเป็นไปได้ นอกจากนี้ยังสามารถวิเคราะห์วิธีแก้ปัญหาหลายวิธีเพื่อค้นหาคุณสมบัติที่ซ่อนอยู่ (หรือความสัมพันธ์) ของปัญหาการเพิ่มประสิทธิภาพพื้นฐาน ซึ่งทำให้มีความสำคัญต่อการได้รับความรู้ในโดเมน ยิ่งไปกว่านั้น อัลกอริทึมสำหรับการเพิ่มประสิทธิภาพแบบหลายโหมดมักจะไม่เพียงแต่ค้นหาจุดเหมาะสมที่สุดหลายจุดในการทำงานครั้งเดียวเท่านั้น แต่ยังรักษาความหลากหลายของประชากร ส่งผลให้มีความสามารถในการเพิ่มประสิทธิภาพระดับโลกบนฟังก์ชันแบบหลายโหมด ยิ่งไปกว่านั้น เทคนิคสำหรับการเพิ่มประสิทธิภาพแบบหลายโหมดมักถูกนำมาใช้เป็นเทคนิคการรักษาความหลากหลายสำหรับปัญหาอื่นๆ^{[ 4 ] [ 5 ]}

เทคนิคการเพิ่มประสิทธิภาพแบบคลาสสิกจำเป็นต้องมีจุดเริ่มต้นใหม่หลายจุดและการทำงานหลายครั้งโดยหวังว่าจะค้นพบวิธีแก้ปัญหาที่แตกต่างกันในแต่ละรอบ แต่ก็ไม่มีการรับประกัน อัลกอริทึมเชิงวิวัฒนาการ (EAs) เนื่องจากมีแนวทางที่อิงตามประชากร จึงมีข้อได้เปรียบโดยธรรมชาติเหนือเทคนิคการเพิ่มประสิทธิภาพแบบคลาสสิก EAs รักษาประชากรของวิธีแก้ปัญหาที่เป็นไปได้ ซึ่งจะถูกประมวลผลในแต่ละรุ่น และหากสามารถรักษาวิธีแก้ปัญหาหลายๆ วิธีไว้ได้ตลอดทุกรุ่น เมื่อสิ้นสุดการทำงานของอัลกอริทึม เราจะมีวิธีแก้ปัญหาที่ดีหลายๆ วิธี แทนที่จะมีเพียงวิธีแก้ปัญหาที่ดีที่สุดเพียงวิธีเดียว โปรดทราบว่านี่ขัดกับแนวโน้มตามธรรมชาติของเทคนิคการเพิ่มประสิทธิภาพแบบคลาสสิก ซึ่งจะลู่เข้าสู่วิธีแก้ปัญหาที่ดีที่สุดเสมอ หรือวิธีแก้ปัญหาที่ไม่เหมาะสม (ในฟังก์ชันที่ขรุขระและ "ทำงานไม่ดี") การค้นหาและการรักษาวิธีแก้ปัญหาหลายๆ วิธีเป็นความท้าทายของการใช้ EAs สำหรับการเพิ่มประสิทธิภาพแบบหลายโหมด Niching ^{[ 6 ]}เป็นคำทั่วไปที่หมายถึงเทคนิคการค้นหาและรักษาniche ที่เสถียรหลายๆ อัน หรือส่วนที่เหมาะสมของพื้นที่วิธีแก้ปัญหาซึ่งอาจอยู่รอบๆ วิธีแก้ปัญหาหลายๆ วิธี เพื่อป้องกันการลู่เข้าสู่วิธีแก้ปัญหาเพียงวิธีเดียว

สาขาอัลกอริทึมเชิงวิวัฒนาการครอบคลุมถึงอัลกอริทึมทางพันธุกรรม (GA), กลยุทธ์วิวัฒนาการ (ES), วิวัฒนาการเชิงอนุพันธ์ (DE), การเพิ่มประสิทธิภาพฝูงอนุภาค (PSO) และวิธีการอื่นๆ ความพยายามในการแก้ปัญหาการเพิ่มประสิทธิภาพแบบหลายโหมดในทุกสาขาเหล่านี้ได้เกิดขึ้นแล้ว และวิธีการต่างๆ ส่วนใหญ่หรือทั้งหมดได้นำเอาการแบ่งกลุ่มย่อยมาใช้ในรูปแบบใดรูปแบบหนึ่ง

วิธีการแออัดของเดอ จอง, แนวทางการใช้ฟังก์ชันแบ่งปันของโกลด์เบิร์ก, วิธีการเคลียร์ของเปโตรวสกี้, การผสมพันธุ์แบบจำกัด, การรักษาประชากรย่อยหลายกลุ่ม เป็นแนวทางยอดนิยมบางส่วนที่ได้รับการเสนอโดยชุมชน วิธีการสองวิธีแรกได้รับการศึกษาอย่างละเอียดเป็นพิเศษ อย่างไรก็ตาม วิธีการเหล่านั้นไม่ได้ทำการแยกอย่างชัดเจนออกเป็นโซลูชันที่อยู่ในแอ่งดึงดูดที่แตกต่างกัน

การประยุกต์ใช้การเพิ่มประสิทธิภาพแบบหลายโหมดภายใน ES นั้นไม่ได้ถูกกล่าวถึงอย่างชัดเจนเป็นเวลาหลายปี และเพิ่งได้รับการสำรวจเมื่อไม่นานมานี้ กรอบงานการแบ่งกลุ่มโดยใช้ ES ที่ถูกทำให้ไม่สุ่มได้รับการแนะนำโดย Shir ^{[ 7 ]}โดยเสนอCMA-ESเป็นตัวเพิ่มประสิทธิภาพการแบ่งกลุ่มเป็นครั้งแรก พื้นฐานของกรอบงานนั้นคือการเลือกบุคคลสูงสุดต่อประชากรย่อยในแต่ละรุ่น ตามด้วยการสุ่มตัวอย่างเพื่อสร้างการกระจายตัวของจุดค้นหาอย่างต่อเนื่อง การเปรียบเทียบทางชีววิทยาของกลไกนี้คือตัวผู้จ่าฝูงที่ชนะการแข่งขันที่ถูกกำหนดทั้งหมดและครอบงำช่องว่างทางนิเวศวิทยา ของตน ซึ่งจะได้รับทรัพยากรทางเพศทั้งหมดในนั้นเพื่อสร้างลูกหลาน

เมื่อเร็วๆ นี้ ได้มีการเสนอแนวทาง การเพิ่มประสิทธิภาพแบบหลายวัตถุประสงค์เชิงวิวัฒนาการ(EMO) ^{[ 8 ]}ซึ่งวัตถุประสงค์ที่สองที่เหมาะสมจะถูกเพิ่มเข้าไปในปัญหาการเพิ่มประสิทธิภาพแบบหลายรูปแบบที่มีวัตถุประสงค์เดียวในตอนแรก เพื่อให้โซลูชันหลายๆ โซลูชันก่อตัวเป็น แนวหน้า Pareto-optimal ที่อ่อนแอดังนั้น ปัญหาการเพิ่มประสิทธิภาพแบบหลายรูปแบบจึงสามารถแก้ไขได้สำหรับโซลูชันหลายๆ โซลูชันโดยใช้อัลกอริทึม EMO ผู้เขียนกลุ่มเดียวกันได้ปรับปรุงงานของพวกเขา^{[ 9 ]}ทำให้อัลกอริทึมของพวกเขาสามารถปรับตัวเองได้ จึงขจัดความจำเป็นในการกำหนดพารามิเตอร์ล่วงหน้า

แนวทางที่ไม่ใช้รัศมีใดๆ ในการแบ่งประชากรออกเป็นประชากรย่อย (หรือสายพันธุ์) แต่ใช้โทโพโลยีเชิงพื้นที่แทน ได้รับการเสนอไว้ใน^{[ 10 ]}

• การเพิ่มประสิทธิภาพแบบหลายโหมดโดยใช้การเพิ่มประสิทธิภาพฝูงอนุภาค (PSO)
• การกำหนดกลุ่มเป้าหมายเฉพาะในกลยุทธ์วิวัฒนาการ (ES)
• หน้าเว็บการเพิ่มประสิทธิภาพแบบหลายรูปแบบ (Multimodal optimization) ที่ภาควิชาวิทยาการคอมพิวเตอร์ (Chair 11), มหาวิทยาลัยเทคนิคดอร์ทมุนด์ (TU Dortmund University)
• คณะทำงาน IEEE CIS ด้านการเพิ่มประสิทธิภาพแบบหลายรูปแบบ