基于分解的多目标优化方法——常用的分解方法

在基于分解的MOEA中最常用的分解方法为：
加权和WS（weighted sum)
切比雪夫TCH（tchebycheff）
基于惩罚边界交叉口PBI（penalty-based boundary interesection）

2018年，张青富团队提出了一种新的划分方法：
网格约束分解CDG（a constrained decomposition with grids）。

下面对以上四种分解方法从原理及两目标空间上进行举例介绍。

第i个子问题上的方向向量为
${\lambda }^i=({\lambda }_1......{\lambda }_m)$
${\sum }_{j=1}^m{\lambda }_j=1$

WS

从上述公式中可以看出对每个目标进行简单的函数加权，通过权重大小不同的设置来体现不同问题的重要性。

射线为不同的权重，虚线为对应得等高线。
WS的等高线为权重向量上的垂线

TCH

$Z_i^{\ast }$为理想点，在极小化目标中认为是最低点

切比雪夫的原理从公式上来看较为复杂，但若从两目标为例的等高线上理解较为容易。
切比雪夫的等高线为权重向量上水平与迁直的两条虚线。从上图中可以看到 $x_4$是所有点中的最优化点。

PBI

PBI的思想简单来说是指在对个体相对于权重方向上增加惩罚项，即为公式中$\beta$。

从图中可以看出，若个体距离权重向量越远则其增加的惩罚距离也就越大。

CDG

为了能够更好地理解CDG，先附上两目标示例图。可以看到基于最优点与最差点划分出了一块大区域，再基于后续计算将整块区域分为等面积的网格。
CDG的等高线就是于X轴、Y轴平行的直线。

上述公式求解的是网格间隔宽度，其中K为预设定的划分数。

上述公式求解的是对于每个个体x所对应再网格中的位置，其中$\sigma$为一个极小的正数，目的是为了保证个体落在网格内

上述公式为关于目标L的第K个子问题

上述公式为关于目标L的第K个子问题的解集