论文解读：MOEA/D-TPN

Motivation

(1) MOEA/D是解决MOPs的有效方法，但面对具有复杂POF（如：long tail， sharp peak和 disconnected regions）的MOPs时，其性能会严重下滑。主要表现在以下两个方面：

• 在凸POF情况下，均匀分布的权向量不能为MOPs带来良好的分布解。
  由于尖峰和长尾的存在，一个目标很小的变化将会导致另外一个目标的巨大差距。因此，MOEA/D会在POF的中间地带密集搜索。尽管算法提供了一组均匀的权重向量，但依然很难在POF的边缘和极端区域找到分布良好的解。

• 重复产生相似的解，造成资源浪费。
  这是由于MOEA/D将meting限制在邻域中而导致的。尤其当POF不连续时，情况更加糟糕。

(2) 相反，在凹POF情况下，MOEA/D没有这样的缺点。

• 如果中间区域的解比极端区域的解更密集，说明MOP可能是凸的，在余下的优化阶段采用反标量子问题形式更合适。因此，可以很自然地通过求反式切比雪夫标量函数来获得凸POF上的一组均匀的解。

(3) 为了解决复杂POF所带来的困境，最近几年，研究者们提出了各种各样的改进策略来提高原始MOEA/D算法的性能。例如：

• MOEA/D-NBI (2010)
  提出了标准边界交叉型的Tchebycheff方法来克服目对标尺度的敏感性，期望以此获得分布良好的近似POF。虽然它在双目标问题上工作得很好，但这种方法不容易推广到高维问题。
• UMOEA/D (2013)
  当算法判断到POF的几何形状小于单位超平面${\Sigma }_{i=1}^M{f}_i=1$时，采用自适应转换策略使转换后的POF尽可能地靠近该超平面。然而，如果在识别POF形状中所用的近似POF存在噪声，那么该方法将会失败。
• MOEA/D-AWA (2014)
  AWA的基本思想是采用两阶段策略来处理权向量生成。具体来说，第一阶段使用一组预定义的（经过WS-transformation变化的）权重向量直到种群达到一定程度的收敛；第二阶段是权重向量自适应调整阶段。即首先删除拥挤度较高的权向量，然后根据当前Pareto最优解（elite population）将新权向量加入到真实的稀疏区域中而不是伪稀疏区域（不连续部分）。
  值得一提的是，新的权值向量初始化方法可以显著提高MOEA/D在具有简单PFs的三目标MOPs上的性能。而对于具有不连续POF的MOPs，AWA策略可以帮助MOEA/D识别复杂POF的不连续部分，并减少对区域的计算量。进一步地，可以发现，AWA策略可以为MOEA/D带来更好的均匀性，尤其在POF的sharp peak和long tail部分。

Innovation

针对处理复杂POF的MOPs时MOEA/D算法所面临的一些困难，本文通过提出两种策略对MOEA/D框架进行了扩展。不同于其他算法，本文利用两阶段（TP）方法将整个演化过程分为两个阶段。首先，基于对POF几何特性的分析，提出了基于Crowding的POF凹凸性的判断方法，并根据POF不同位置上的凹凸性，选择适当形式的Tchebycheff方法来解决标量优化子问题。然后，利用基于共享的小生境方法通过对mating/update range的选择实现了计算资源的合理配置。

Contribution

(1) 通过设计POF凹凸性判断指标，实现了在凹凸性未知的情况下动态地选择合适的子问题形式。
(2) 基于niche-guided的方案为进化过程中复杂的测试问题提供了更高的种群多样性，特别是在POF不连续的情况下。
(3) 基于TP的MOEA/D算法在处理具有sharp peak和long tail POF的MOPs时的性能有了显著提升。同时，TP可以调整搜索方向，从而使个体多样化，这对于处理POF不连续的MOPs是非常有效的。
(4) 不同于传统的基于分解的优化思想，MOEA/D-TPN并不局限于提升权重向量分布的均匀性。针对权重向量与解分布不一致的情况，本文提出一种改进的分解方法提高了MOEA/D对于带有复杂POF的MOPs的优化能力。

Key techniques

• 如何将进化过程划分为两阶段(TP)；
• 如何在算法中适当的位置应用小生境方法；
• 设计一种POF凹凸性评价指标；
• 重新选择mating/update范围；
• 反式Tchebycheff方法的构造。

MOEA/D-TPN

完整的算法流程如下，其中关键部分已做了标注：