不同搜索空间形状测试问题上的 EMO 算法性能比较

基于摘要分析。该研究考察演化多目标优化（EMO）算法在不同目标空间可行域形状下的性能差异，提出自动生成多目标优化问题（MOPs）的元优化方法，以揭示不同算法的优势与弱点。这里的“搜索空间形状”具体指目标空间中的可行域，而非直接指决策变量空间的几何形状。 核心机制是双层优化：上层将每个 MOP 视为候选解，优化其部分设计变量；下层在该 MOP 上评估两个 EMO 算法的相对性能，并将这一相对性能作为上层的适应度。通过最大化性能差异，该方法寻找能够区分两种算法搜索能力的问题实例。其主要贡献是面向算法差异构造诊断性测试问题，而非提出新的 EMO 求解算法。 在摘要所述计算实验中，作者报告了两项观察：基于 Pareto 支配的 EMO 算法从局部 Pareto 最优区域逃离的能力较弱；基于分解及基于指标的 EMO 算法则较难找到覆盖整个 Pareto 前沿的解。这些观察应限定于论文采用的问题生成方式、算法与评估条件，不能据此认定相应算法类别在所有 MOPs 上都存在同样表现。 摘要未提供具体算法名称、问题参数化方式、相对性能指标、优化预算或定量结果，实验协议、消融及统计信息尚未验证。复现时需核对上层如何控制可行域形状、下层性能差异如何定义，以及生成问题上的差异能否在独立测试问题中重现。材料未建立与 EEG 或 BCI 的具体机制对应关系，不据此推导神经信号解码效果。