MOEA/D的通俗解析--3.Tchebycheff聚合方法

这个方法，我眨眼一看，真不知道该怎么弄，很多文章和论文都只是直接甩上来一条公式，然后没什么描述就说性质了。现在我也先甩上来，让大伙瞧瞧

为参考点，,m是目标函数的总数。*代表最好。也就是在各个个体中，各个目标函数所获得的最好的（再买电脑的问题中，指的是最小）目标变量作为参考点向量中的一个变量。

等式左边代表的是MOEA/D中的适应度值，其含义是在已知和各个权重向量的情况下，各个个体中适应度最小的值。

回顾一下前面，每个个体都有一个权重变量，所以代表每个个体中对应第i个目标函数的权重。代表第i个目标变量到历史最优目标变量个体的距离。这个距离当然是越短，证明解越好。

ok，那么回过头来再说一下这个式子。对于一个个体来说，他有他的权重变量，那么在已知权重变量和决策变量的情况下，所求出的各个目标函数的值，与历史该目标函数求出来的值，相差最大的那个作为个体的适应度。

我们拿买电脑来说事儿吧。

它的意义就在于，我有价格和性能两个目的函数。那么它的权重向量假设是v=(0.9,0.1)。那么如果价格变化高了，那么的影响就会很大，那么这个方案的适应度一下子就变得很大。但是我们需要的是价格低的方案，所以这个适应度会使这个方案被淘汰。如果价格稳定了，那么这条式子就会选择性能作为影响因素来决定适应度。

总体来说，当性能和价格都趋近于历史最优目标向量时，那么适应度就会很少。当然，历史最优目标变量的计算会先于各个个体的适应度计算