论文笔记1

title:Migration in Multi-Population Differential Evolution for Many Objective Optimization
目前的工作旨在帮助成员在不同人群之间迁移，以帮助个人在最有可能实现的目标方面进行进化。移民政策首先从N个种群中明智地选择通信种群对。所提出的选择策略绕过了任何网络拓扑的需要。该策略允许最佳种群与最差种群进行通信，第二好种群与第二坏种群通信，第三好种群与最坏种群通信等等。这种不同种群之间的通信/迁移策略增强了MaODE算法的探索能力。
群体的质量是根据其成员的目标函数值的中位数和四分位间距（IQR）来确定的。

低中值（用于最小化问题）和高IQR被记录为保持多样性的优良种群_IQR是上四分位和下四分位的差值
下面是所提出的移民策略
总的来说，种群的质量是(中值的排序结果)+(IQR的排序结果)，然后再选出通信对，也就是第一和第一差…

title:A Multi-Population Evolutionary Algorithm Using New Cooperative Mechanism for Solving Multi-Objective Problems with Multi-Constraint
很复杂的一篇
提出了一种新的多种群CMOEA，称为MCCMO，它使用了一种新型的合作机制。MCCMO使用C+2（C是约束的数量）种群来在适当的时间找到UPF、SCPF和SubCPF。此外，MCCMO使用新提出的激活休眠检测（ADD）来加速优化过程，并使用所提出的组合时机检测（COD）来找到找到子CPF的适当时间。
single constrained Pareto Front (SCPF)
Pareto Front sub-constrained Pareto Front (SubCPF).
Unconstrainti Pareto Front (UPF)
constraining Pareto Front (CPF)
constrained multi-objective optimization algorithm (CMOEA)
multiconstrained multi-objective optimization problems (mCMOPs)
详细探讨了合作类型的动机，也就是种群之间如何合作协作
合作强度、内容、时机
整体算法流程如下所示

其中ADD是判断种群是否应该活跃的算法
COD是判断SCP是否应该合并的算法
对于SCP，两代之间的距离小于CT并且约束数量大于1就活跃
对于UCP，两代之间的距离小于CT并且可行解不为0

title:Scheduling of Continuous Annealing With a Multi-Objective Differential Evolution Algorithm Based on Deep Reinforcement Learning

DRL作为控制器集成到MODE算法中，可以根据不同的搜索域自适应地选择变异算子和参数
状态：个体的适合度、适合度的改善和种群多样性的信息
动作：变异算子及相关参数
奖励：对于单个目标的提升和对于最优目标的提升

title: Interactive Evolutionary Multi-Objective Optimization via Learning-to-Rank
在实际的多准则决策中，如果要求决策者（DM）在一组覆盖整个Pareto最优前沿的权衡备选方案中进行选择，这是很麻烦的。
这是传统进化多目标优化（EMO）中的一个悖论，其目标始终是在收敛性和多样性之间实现良好的平衡。
本质上，多目标优化的最终目标是帮助决策者（DM）识别感兴趣的解决方案（SOI），在多个冲突的标准之间实现令人满意的权衡。考虑到这一点，本文开发了一个框架，用于设计基于偏好的EMO算法，以交互方式找到SOI。
它的核心思想是让人类参与EMO的循环。
每几次迭代后，DM都会被邀请征求她对几个现任候选人的反馈。通过收集这些信息，她的偏好通过学习排序神经网络逐步学习，然后应用于指导基线EMO算法。请注意，这个框架非常通用，任何现有的EMO算法都可以以插件的方式应用。在48个具有多达10个目标的基准测试问题和一个真实世界的多目标机器人控制问题上的实验充分证明了我们提出的算法在寻找SOI方面的有效性。

title:Multilayer Network Community Detection: A Novel Multi-Objective Evolutionary Algorithm Based on Consensus Prior Information
摘要近年来，多层网络已成为解决和分析具有多种关系的现实世界系统的有效模型。
在这些场景中，社区检测（CD）问题是最突出的研究热点之一。尽管已经提出了一些关于多层网络CD（MCD）的研究来解决这个问题，但大多数研究只关注拓扑结构。因此，他们的算法无法最大限度地提取互补的网络信息，如节点相似性和低秩特征，这可能导致精度不令人满意。
为了解决这个问题，本文提出了一种新的基于一致先验信息的多目标进化算法（MOEA-CPI）。所提出的算法在拓扑结构、初始化和优化过程中充分利用了先验信息来指导MOEA。更具体地说，本文首先基于Node2vec和Jaccard相似度，分别提取了两种先验信息，即图级信息和节点级信息。然后，在图级信息的基础上构建先验层和高质量的初始种群。在优化过程中，应用遗传算子，将加权策略和节点级信息相结合，引导算法将相似的节点分布到同一个社区中。进行了大量实验，以证明MOEA-CPI优于最先进的方法。

title:Objective Space-Based Population Generation to Accelerate Evolutionary Algorithms for Large-Scale Many-Objective Optimization
提出了一种快速有效的方法，可以在目标空间中生成新的个体，而不是像传统进化算法中那样在决策变量空间中生成，然后将它们映射到决策变量空间（简称决策空间）。通过这种方式，可以更快地生成新的解决方案，并使用目标空间中更多的反馈信息。
2） 它提出了三种目标向量生成策略，以及一种将目标向量转换为决策向量的线性映射方法。并在此映射方法的基础上提出了一种新的决策变量分析方法。
3） 所提出的算法在执行方面显著优于最先进的MOEA，同时在总体优化性能上达到了与它们相同的水平。