Guiding Evolutionary Multiobjective Optimization With Generic Front Modeling

今天要写的是《Guiding Evolutionary Multiobjective Optimization
With Generic Front Modeling》
所提出的算法：GFM-MOEA（Generic Front Modeling based MOEA）
困难：估计具有复杂几何结构的PFs
处理具有非规则PF的MOPs时，候选解的分布往往很不均匀，尤其是当PF有尖刺或长尾时。
方法：

1. 通过训练一个广义单纯形模型（a generalized simplex model）来估计非支配前沿面的形状
2. 通过估计得到的非支配前沿面来驱动繁殖池选择和环境选择。

本文主要贡献：

1. 提出了GFM方法，通过迭代训练广义单纯形模型来估计给定MOP的PF。在GFM法中，优化过程中得到的非支配解用作训练数据，并使用莱文贝格-马夸特算法（ Levenberg–Marquardt algorithm）最小化训练误差以估计模型的参数。
2. 基于GFM，提出了GFM-MOEA，其繁殖池选择和环境选择由估计得到的PF模型
   驱动。也就是提出了一种新颖适应度函数作为选择标准，通过候选解到所估计的PF的距离计算候选解的收敛质量，并通过候选解到所估计的PF模型上的投影来计算多样性。

此仅为本人阅读论文时的笔记，若有理解有误的地方还请批评指正。