论文解读：An External Archive Guided Multiobjective evolutionary algorithm Based on Decomposition for ...

动机

0. MOEA/D基于这样一个基本的假设：两个相邻的问题应该有相似的最优解。这适用于典型连续MOP中的大多数子问题。然而在组合多目标优化问题中有一些不满足该假设。因此，针对这类组合多目标优化问题单独使用MOEA/D表现不佳。为了解决这个问题，最近许多基于MOEA/D和支配技术结合的算法已经被研究。

1. 理想的情况是：子问题与PF上的点（最优解）一一对应。然而，存在这样一种现象（如图Fig. 1a所示）：不同的子问题对应相同的最优解。如此，即使子问题的数目非常大也不能合理地逼近PF。
   

2. 在MOEA/DDRA中，子问题的效用定义为其目标函数改进与在过去几代中分配的计算工作量（资源）的比率。这些效用函数可以很好地用于连续的MOPs。然而，由于每个效用函数只度量了单个子问题的进展，而没有考虑所有子问题的贡献，它可能不适用在离散MOPs上。因此，需要设计一个考虑搜索进程中所有子问题对搜索过程的贡献的效用函数。

3. 在具有二个或三个目标的优化问题中，NSGA-II中的快速非支配排序和拥挤距离可以有效地选择具有代表性的（即，收敛性和多样性）高质量解。本文使用NSGA-II的思想评估每个解对新MOEA/D框架搜索过程的贡献。

几个关键点：