MOEA/D算法的自己的一些理解

最近在准备新的paper，当然了对目前的Many objective optimization algorithms的review是必不可少的。MOEA/D是比较经典的算法，看起来觉得简单，其实真正理解起来并不简单。我大概主要说一下吧。

1：如果把N个目标使用加权的方法加起来变成一个标量的优化问题，可以知道，这个标量的优化解肯定是原问题的优化解。但是有一个问题就是，这种方法无法找到一个比较均匀分布的满足diversity的一组解，那怕是使用一组均匀分布的vector来加起来这些N个目标。

2：其实MOEA/D也是这种分解的思路，但是不是这种简单的就把问题给加起来了，而是使用切比雪夫不等式（这个里面涉及到参考点，参考点说来话长，但是这个地方只是简单的说一下流程，所以不展开说了）。简单来说就是给出一组均匀分布的vector，找到距离每个vector最近的那个solution。此时基本上满足了diversity的要求。

3：接着在这个solution的附近使用一些方法产生一些好的offspring，其中有一点就是产生这个offspring的parents是来自该solution对应的vectors所属的solution。

4：判断新产生的solution是否好，好的话就取代之前的solution并且更新参考点。

以至于跑完整个流程。。。