约束多目标c-DPEA

c-DPEA：A Dual-Population-Based Evolutionary Algorithm for Constrained Multiobjective Optimization

从摘要上看，作者通过一个co-evolution，将种群分为pop1和pop2，并且提出了一个新的self-adaptive penalty functions（saPF），使得pop1中的infeasible solutions保持竞争力；为了让pop2中的infeasible solutions保持竞争力，通过一个feasibility-oriented 方法。此外，为了保持convergence和diversity之间的平衡，作者提出了一个新型的adaptive fitness计算公式（bCAD）。

与其他算法不同，c-DPEA主要体现在两个方面：

1. self-adaptive penalty function(saPF)：

saPF的公式如(5)所示

从Fig. 2可以看出，一些infeasible solution 被公式(5)计算过后，能够dominate feasible solution，并且大部分被modified infeasible solutions 广泛的分布在目标空间。

对于pop2，处理infeasible solution的公式与pop1不同（上述公式）。pop2公式处理如下

w_f是Fmax，从公式(8)可以看出，modified infeasible solution会被限制在与Fmax所在的同一区域内。

从Fig. 3可以看出，infeasible solutions被modified过后，被Fmax支配，也被所有的feasible solutions 支配，这种方法也叫做feasibility-oriented。尽管一些infeasible solutions比feasible solutions要好，也更接近feasible region，feasible solutions比infeasible solutions 更受欢迎。

2. Fitness Assignment

为了balance convergence and diversity，作者提出了一个 adaptive fitness function(bCAD)。Rc 和 Rd 两种排名方式被提出：Rc就是注重convergence优先，diversity其次；Rd就是注重diversity优先，convergence其次。bCAD公式如下

对于Rc来说，通过计算每个个体的nondominated sorting的fronts，并且在每个front内对个体的density estimation来排序来抉择出哪个个体表现较好。对于每个个体的Rc值，越低，表示个体在这个排名表现更好。

对于Rd来说，这个排名的机制是为了尽可能保留住不同子区域（subregions）的解，在每个子区域内，相关的解根据其加权和gws按升序排序，gws计算公式如下