面向多目标组合优化的演化感知状态表征与动态算法配置

基于摘要分析。本文研究多目标组合优化中的深度强化学习动态算法配置（DRL-DAC），针对仅表征当前种群结构、难以刻画代际演化动态的问题，提出演化感知状态表征，为强化学习智能体的参数自适应提供状态信息。 核心机制是计算相邻两代种群之间的 Kullback–Leibler（KL）divergence，以描述代际转移，并结合搜索阶段信息，对节点嵌入进行逐特征重加权。其方法重点不是单独使用当前种群的静态特征，而是将演化过程中的变化纳入状态编码。摘要未说明种群概率分布如何构造、KL divergence 如何估计，以及节点含义、重加权函数、奖励设计和可配置参数，相关实现细节尚未验证。 作者报告，在代表性多目标组合优化问题上，该方法相较所用先进基线改善了整体优化性能，表现为更好的收敛性与多样性；作者还报告，大规模和多目标数量较多的设置支持其泛化能力。摘要未给出具体问题名称、实例规模、基线、指标、数值或统计检验，因此尚不能量化优势或判断不同设置之间的可比性。实验协议、消融及统计信息尚未验证。 摘要提供了源码地址，但代码内容、运行依赖和复现完整性尚未核验。本文的直接研究对象是演化优化算法的动态配置，并非 EEG 表征或 BCI 解码；摘要未建立与具体 BCI 优化任务的对应关系，不据此推断其具有已验证的 EEG/BCI 效果。