用于多目标优化的具有双空间搜索的规律性增强进化算法

基于摘要分析。本文研究多目标优化问题（MOP），提出规律性增强进化算法（RAEA），利用 Pareto 最优解集的流形结构构建潜在空间，以加速收敛并改善后代解的生成。主要贡献是将基于精英解的投影机制与潜在空间、决策空间中的双空间搜索结合，而非神经信号建模方法。 核心机制：算法在每次迭代中采用奇异值分解（SVD），从具有规律性结构的种群中提取潜在空间。其一，使用精英解，即非支配解，建立潜在空间，再将被支配解逐步投影到该空间，旨在加速收敛；其二，双空间搜索策略（DSS）同时在潜在空间与决策空间中搜索，以生成有潜力的后代解。摘要未说明潜在空间维度、投影步长、两类搜索的分配方式及具体后代生成算子，这些实现条件尚未验证。 实验方面，作者报告在若干复杂 MOP 测试套件上与五种多目标进化算法进行了比较，RAEA 在两个常用指标上优于所比较算法，并报告收敛加速机制和 DSS 的有效性得到验证。摘要未提供测试套件名称、对照算法名称、指标名称、数值、运行预算或统计信息，因此不能判断优势幅度、稳定性及适用边界；实验协议、消融及统计信息尚未验证。 本文的直接研究对象是通用多目标优化，材料未提供 EEG 或 BCI 数据及验证。其搜索机制是否适用于相关任务，仍需先确认具体优化问题是否具有可利用的低维解集结构；不能将原领域的优化结果视为已证实的 BCI 效果。已有 EEG 相关工作尚未检索确认。