通过目标空间预测跟踪动态多目标优化问题的移动最优解

基于摘要分析。该研究面向动态多目标优化问题（DMOP）：在环境变化时，如何同时优化多个冲突目标并跟踪移动的最优解。作者提出在目标空间而非解空间建立预测模型，以直接刻画 Pareto 最优前沿（POF）的变化。 既有预测策略主要依据历史解，预测解空间中 Pareto 最优解集（POS）的变化轨迹。本文的出发点是，DMOP 的评估以 POF 为依据，因此在目标空间预测可能提供更贴近评估目标的信息。为捕捉进化搜索过程中不同 POF 之间的复杂关系，作者在再生核希尔伯特空间（Reproducing Kernel Hilbert Space）中构建具有闭式解的预测模型。摘要未说明具体核函数、模型目标、历史信息组织方式，以及如何将目标空间预测转换为优化器可使用的候选解。 作者报告，在十四个常用 DMOP 基准问题上，与三种先进预测策略比较，并使用不同优化求解器开展实验，所提方法在解质量与时间效率方面表现更优。摘要未提供基准名称、评价指标、具体数值、环境变化设置及统计检验信息，因此尚不能判断优势幅度和适用边界；实验协议、消融及统计信息尚未验证。 本研究的主要对象是通用动态多目标优化，而非 EEG 解码或 BCI。其机制依赖历史 Pareto 前沿及多目标优化结构，当前材料未给出与具体 EEG/BCI 瓶颈的对应关系，不据此推断相关有效性；已有 EEG 相关工作尚未检索确认。