[论文解读] Decomposition Multi-Objective Evolutionary Optimization: From State-of-the-Art to Future Opportunities

Ke Li|arXiv (Cornell University)|Aug 21, 2021

Advanced Multi-Objective Optimization Algorithms参考文献 319被引用 9

一句话总结

本文全面综述了基于分解的多目标进化优化方法，重点聚焦于MOEA/D及其核心组件与最新进展。文章为初学者提供了逐步教程，回顾了权重向量设计、子问题构造、选择策略与重组算子的关键发展，并指出了在约束处理、计算代价高昂的目标函数、偏好集成以及并行计算方面的新兴研究方向，同时呼吁对MOEA/D框架下收敛性与平衡性的理论分析进行更深入研究。

ABSTRACT

Decomposition has been the mainstream approach in the classic mathematical programming for multi-objective optimization and multi-criterion decision-making. However, it was not properly studied in the context of evolutionary multi-objective optimization until the development of multi-objective evolutionary algorithm based on decomposition (MOEA/D). In this article, we present a comprehensive survey of the development of MOEA/D from its origin to the current state-of-the-art approaches. In order to be self-contained, we start with a step-by-step tutorial that aims to help a novice quickly get onto the working mechanism of MOEA/D. Then, selected major developments of MOEA/D are reviewed according to its core design components including weight vector settings, sub-problem formulations, selection mechanisms and reproduction operators. Besides, we also overviews some further developments for constraint handling, computationally expensive objective functions, preference incorporation, and real-world applications. In the final part, we shed some lights on emerging directions for future developments.

研究动机与目标

• 为初学者提供一个自包含且易于理解的教程，以掌握MOEA/D的工作机制。
• 系统性回顾MOEA/D在四个核心组件上的主要进展：权重向量设置、子问题构造、选择机制与重组算子。
• 探讨MOEA/D在实际挑战中的扩展应用，包括约束优化、计算代价高昂的目标函数、偏好集成以及实际应用场景。
• 识别并讨论基于分解的多目标进化算法未来发展的新兴研究方向。
• 通过强调当前在MOEA/D框架下种群元启发式算法缺乏收敛性分析与平衡建模，激发理论研究。

提出的方法

• 通过从权重向量的标量化和子问题分解出发，逐步介绍MOEA/D的基础工作机制，提供结构化教程。
• 回顾关键子问题构造方法，包括切比雪夫法、PBI以及AASF，分析其几何特性与收敛性能。
• 考察权重向量生成策略，包括均匀、自适应与动态方法，以维持多样性并引导搜索方向。
• 分析选择机制，如基于匹配的选择与基于支配的选择，强调其在平衡收敛性与多样性方面的作用。
• 评估重组算子及其与分解的集成，包括自适应与自适应变异策略。
• 讨论MOEA/D与先进技术的集成，如用于高成本目标的代理建模、通过惩罚方法处理约束，以及利用参考点实现基于偏好的分解。

实验结果

研究问题

• RQ1 如何通过结构化教程使MOEA/D被初学者有效教学与理解？
• RQ2 MOEA/D中最具影响力的架构选择是什么，特别是权重向量生成、子问题构造、选择与重组方面？
• RQ3 MOEA/D如何扩展以应对实际应用中的约束、高成本目标函数与用户偏好？
• RQ4 在MOEA/D框架内实现并行与分布式计算的关键挑战与机遇是什么？
• RQ5 MOEA/D当前缺少哪些理论基础，特别是关于种群搜索中收敛性与平衡性的理论？

主要发现

• 由于能够将复杂的多目标规划问题（MOPs）分解为可管理的标量子问题，MOEA/D已成为进化多目标优化中的主导框架。
• 在特定条件下，切比雪夫法与PBI子问题构造在渐近意义上等价于超体积指标，暗示其性能具有理论基础。
• 基于匹配的选择机制为分析MOEA/D中进化过程的平衡状态提供了有前景的基础，但其收敛性证明尚未建立。
• 尽管广泛应用，目前尚无理论工作确立种群元启发式算法在MOEA/D框架下的收敛性质。
• MOEA/D的并行化仍发展不足，仅有少量研究采用主从或基于GPU的模型，表明亟需平台感知且自适应的映射策略。
• MOEA/D与代理模型及基于偏好的分解的集成在解决高成本与实际MOPs方面展现出潜力，但需设计专门的性能指标以同步评估收敛性、多样性和稀疏性。