基于分数支配关系与改进目标空间分解策略的多目标进化算法

基于摘要分析。研究针对多目标优化问题（MaOPs）中，随着目标数量增加或进化过程推进，种群内非支配解比例升高、传统 Pareto 支配关系难以有效区分解的问题，提出 fractional dominance relation（分数支配关系）和改进的目标空间分解策略，并构建 FDEA-I 与 FDEA-II。 核心机制是将一个解相较另一个解表现更优的目标数量纳入支配关系，以增强候选解的区分能力与收敛选择压力；同时通过子空间选择机制改进目标空间分解，以维持种群多样性。两种算法均先利用分数支配关系保留有潜力的解，再利用改进的空间分解策略维护所得种群的多样性。摘要未给出支配关系的数学定义、子空间选择规则及两种算法的具体差异，这些内容尚未验证。 作者报告，在来自 WFG 与 MaF 测试套件的 72 个多目标基准实例上，FDEA-I 和 FDEA-II 显著优于六种作为对照的先进多目标进化算法。摘要未列出对照算法名称、评价指标、目标维数、计算预算及显著性检验细节，因此不能据此判断优势的大小或适用边界；实验协议、消融及统计信息尚未验证。 原论文研究对象是通用多目标优化，而非神经信号解码。平台推测（待验证）：若 BCI 系统设计需同时优化解码性能、通道数量、计算开销等多个目标，这种候选解筛选与多样性维护机制可能用于搜索流程，但依赖明确的候选编码、目标定义与可靠的适应度评估。可复用部分是支配比较和种群选择，需改造部分是 EEG 任务的目标函数与约束；低信噪比、小数据及跨被试差异可能使适应度估计不稳定。一个可检验的小实验是在固定 EEG 数据划分与搜索预算下，对比替换前后的候选解筛选策略，并核对独立测试集上的性能—通道数—计算开销权衡。此为迁移假设，已有 EEG 相关工作尚未检索确认。