多目标优化问题中常见分解方法的理解

        作为刚上研一提前来给老师当苦力的小菜鸟，第一次学习MOEAD算法的时候，对其中介绍的分解方法一脸懵*，上网查了不少资料，很难查到详细的解释（好吧，可能我查的姿势不对），完全不理解这些分割方法所给出的表达式的意义，索性搁置了小半个月。

这里必须要感谢一下Chithon的http://blog.csdn.net/qithon/article/details/72885053#comments这篇博客，其中的两幅配图让我豁然开朗，当然，大神完全没有必要阅读这篇博客了，我只是说一下自己从向量和几何的角度是如何理解这些方法的。

Weighted Sum Approach

        该方法给出的表达式为：

        

        首先，λ被称之为权重向量，观察和式，这完全就是m维向量的点乘公式嘛。具体的说，在目标空间中，把算法求出的一个目标点和原点相连构造成一个向量，此时，该方法的做法是将该向量与对应权重向量点乘，由向量点乘的几何意义可知，所得的数为该向量在权重向量方向上的投影长度，因为权重向量不变，最大/小化该长度值其实就是在优化该向量。可知若要增大该向量在权重向量上投影的长度，一方面可以增大/减小与权重向量的夹角，另一方面可以增大/减小该向量的长度。样例图如下：