NICE Seminar(2020-11-15)：基于非传统偏好信息的多目标进化算法：Knee-driven MOEA（华东理工大学喻果博士）

   先验概率是我们在观察到数据之前对某一不确定性的判断，而后验概率是我们在观察到数据之后对这一不确定性的更新判断。在多目标优化中，knee区域（有时也称为Pareto knee或Pareto前端弯曲区域）指的是Pareto前沿上的一个特定区域，在这个区域中，一个目标函数的改进会导致另一个目标函数的显著退化。换句话说，knee区域代表了在Pareto前沿上做出权衡时最重要的区域，因为它标志着从一个目标到另一个目标的显著转变。

以下是关于knee区域的一些关键点：

特点

• 权衡显著：在knee区域，优化一个目标会导致对另一个目标的较大牺牲。
• 决策重要性：knee区域通常对于决策者来说非常重要，因为它提供了在不同目标之间做出权衡的清晰指示。
• 曲率变化：在Pareto前沿的knee区域，曲线的曲率通常会发生变化，这可能表现为一个明显的“拐点”或“弯曲”。

识别方法

• 主观方法：决策者可以通过视觉检查Pareto前沿来识别knee区域。
• 客观方法：可以使用一些算法来客观地识别knee区域，例如基于曲率、距离或角度的方法。

应用

• 决策支持：在多目标优化问题中，识别knee区域可以帮助决策者理解在不同目标之间的权衡，并做出更加明智的决策。
• 算法改进：在多目标优化算法中，专注于knee区域的解可以提高算法的效率，因为它们更有可能代表决策者感兴趣的解。

与采样技术的关联

• 拉丁超立方采样（LHS）：LHS可以帮助在Pareto前沿上生成均匀分布的采样点，这可能有助于识别knee区域，尤其是在目标函数和约束条件高度非线性时。
• 稀疏网格方法：稀疏网格方法可以提供对Pareto前沿的精确近似，从而帮助更准确地识别knee区域。由于稀疏网格在保持高精度的同时减少了采样点数量，它们在高维多目标优化问题中特别有用。

在选择使用LHS或稀疏网格方法来识别knee区域时，应考虑问题的维度、目标函数的特性以及所需的精度。两种方法都可以提供有助于识别knee区域的采样点分布，但它们各自的优势和局限性将影响最终的选择。