论文解读：Decomposition-Based Algorithms Using Pareto Adaptive Scalarizing Methods (MOEA/D-PaS)

Background

根据选择机制的不同，可将多目标演化算法分为三类：

1. Pareto-dominance-based 算法，如：MOGA, NSGA-II，以及grid-based方法等；
2. Performance-indicator-based 算法，如：indicator-based方法，以及approximated hypervolume-based (HypE) 方法等；
3. Decomposition-based 算法，如：cMOGA, MSOPS, MOEA/D, 以及NSGA-III等；**

最近，基于分解的多目标演化算法（decomposition-based multiobjective EAs）变得更加流行。
具体来说，基于分解的方法将MOP分解成若干优化问题，并以合作的方式使用基于种群的搜索进行求解；另一方面，一些EAs会将整个种群分成几个小的子种群。它们与基于分解的算法具有相同的基本设计理念。因此，利用decomposition-based与EAs结合的方法解决MOP是非常自然的。

分解思想已经在一些多目标元启发式和EAs中使用了很长时间，其中是标量化分解是传统多目标优化中解决MOP的一个基本技术。
许多标量化方法(scalarizing methods)可被用于多目标优化问题(MOP)的分解。其中，加权和(weighted sum)法和加权切比雪夫(weighted Chebyshev)法是Lp标量化方法中应用最广泛的两种方法。
加权Lp标量化方法的数学定义如下：