在目标空间中搜索：用于多目标优化的耦合近似器

该研究针对多目标进化优化中主要依靠参数空间交叉与变异来探索目标空间的问题，提出学习目标空间与参数空间之间的映射，并利用耦合近似器生成候选解。基于摘要分析，作者提出两种简单算法，并将相关实现称为 coupled approximators evolutionary algorithm（CAEA）。 核心机制是同时近似目标函数及其逆映射，利用已知解在目标空间中进行插值或外推，再借助学习到的空间对应关系生成后续候选解。与标准交叉、变异算子相比，其方法特点是让目标空间中的搜索意图参与候选解构造，而非仅通过参数扰动间接探索目标空间。摘要未说明近似器类型、训练方式、逆映射多解性的处理或候选解筛选规则，这些实现条件尚未验证。 作者报告在 DTLZ 测试集上取得有潜力的经验结果，但摘要未给出具体测试问题、目标维数、评估预算、对照基线或量化指标，因而不能据此判断收敛性、解集多样性或计算效率的优势。实验协议、消融及统计信息尚未验证。作者将结合局部搜索、引入领域知识及采用更高效搜索算法列为后续方向，而非已完成的贡献。 该文的主要对象是通用多目标优化，并非 EEG 解码或 BCI。材料未提供明确的神经信号任务及机制对应关系，因此不据此推断其具有 BCI 有效性。