MOEA/D的学习笔记

目前大多数多目标优化算法将多个优化问题看成一个整体，得到的每一个解之间也是相互独立没有联系。
MOEA/D的特点：
1 MOEA/D提供了一个简单但是有效的方法，那就是将分解的方法引入到多目标进化计算中。对于常常在数学规划领域发展的分解方法，它可以真正的被并入到EA中，通过使用MOEA/D框架来解决MOP问题。

2 因为MOEA/D算法是同时优化N标量子问题而不是直接将MOP问题作为一个整体来解决，那么对于传统的并不是基于分解的MOEA算法来说适应度分配和多样性控制的难度将在MOEA/D框架中得到降低。

3 MOEA/D算法有一个较低的计算复杂度相比于NSGA-Ⅱ和MOGLS。总体来说，在MOGLS和MOEA/D同时解决0-1背包问题测试样例中，两者使用相同的分解方法，MOEA/D在解的质量上表现更为出色。在一组连续的MOP样例测试中，使用了切比雪夫分解法的MOEA/D方法和NSGA-Ⅱ表现相近。在一个3目标的连续样例测试中，使用一个先进的分解方法的MOEA/D算法表现的比NSGA-Ⅱ出色许多。当MOEA/D算法使用一个小型种群时也可以产生一组种群数量少的分布均匀的解。

4 因为在MOEA/D中每一个解都和标量优化问题有关，所以使用标量优化方法显得很自然。相反，对于传统的不是基于分解的MOEA算法的一个缺点就是很难找到一个简单的方法来冲分利用标量优化算法。

算法的大致步骤：