基于双空间分解的并行大规模多目标进化算法

基于摘要分析。本文研究大规模多目标优化问题（LSMOPs）：随着决策变量增多，多目标进化算法（MOEAs）的性能往往下降。作者提出基于双空间分解（TSD）的并行 MOEA，同时划分目标空间和决策空间，再由多个种群在相应子空间中并行搜索。 核心机制是结合两类分解：目标空间采用传统的参考向量方法，决策空间采用作者提出的基于 diversity design subspace（DDS）的方法。其设计预期是让各子空间包含部分完整的 Pareto 最优解，从而利用分解降低搜索难度，并兼顾解的多样性与并行计算。并行环境通过消息传递接口（MPI）实现；摘要未说明 DDS 的具体构造、种群间通信及解集整合方式。 作者报告，实验支持 DDS 方法的有效性；在多种基准与实际问题上，与所比较的先进 MOEAs 相比，所提算法在综合性能和计算效率方面具有优势。摘要未提供具体问题名称、决策变量规模、评价指标、数值结果或计算资源配置，因此尚不能判断优势的幅度、适用规模及其对并行资源的依赖。实验协议、消融及统计信息尚未验证。 本文的主要研究对象是通用大规模多目标优化，而非状态空间模型或 EEG/BCI 解码。现有材料未建立其优化变量、目标函数与具体 EEG 瓶颈之间的对应关系，不据此推断 BCI 效果。复现评估首先需要核对 DDS 定义、参考向量配置、各算法的函数评估预算，以及 MPI 进程数与硬件条件。