NSGA是由Srinivas和Deb于90年代初期提出，它是基于个体的等级按层次来分类的。NSGA与简单遗传算法的主要区别在于选择算子的不同。在进行选择操作之前，首先找出当前种群中的非劣最优解，所有这些非劣最优解构成第一个非劣最优解层，并给其赋一个大的假定适应值。为了保持群体的多样性，这些非劣最优解共享它们的假定适应值，然后以同样的方法对种群中剩下的个体进行分类，下一层的共享假定适应值该值要小于上一层的设定值，这一过程继续进行直至群体中所有个体都被归类。NSGA的高效性在于运用一个非支配分类程序，使多目标简化至一个适应度函数的方式。运用该方法，能解决任意数目的目标问题，并且能够求最大和最小的问题。
印度科学家Deb于2000年在NSGA的基础上进行了改进，提出了NSGA-II，一种快速的非劣性排序方法(fast-nondominated-sorting)：定义了拥挤距离(crowding distance)估计某个点周围的解密度，取代适应值共享。NSGA-II有效地克服了NSGA的三大缺陷：计算复杂性从O(mN3)降至 O(mN2)，具备最优保留机制及无需确定一个共享参数。从而进一步提高了计算效率和算法的鲁棒性。
遗传算法系列可参见