基于搜索空间划分的多目标人工蜂群算法

基于摘要分析。本文研究无约束多目标优化，提出多目标人工蜂群算法 dMOABC，通过搜索空间划分与多蜂群协作寻找非支配解，并利用外部档案维护解集多样性；其主要研究对象是通用优化问题，而非神经信号建模或 BCI 解码。 核心机制是将整个搜索空间 S 划分为两个独立部分 S1 和 S2，分别配置一个 basic colony 搜索潜在解，同时由 synthetic colony 在整个 S 中搜索。三个蜂群以特定方式共享信息，作者将这一设计用于维持种群多样性。算法采用固定容量的外部档案保存已发现的非支配解，并通过自适应网格控制档案解集的多样性。basic colonies 利用邻域信息生成新食源；synthetic colony 还使用从档案中选出的全局最佳食源 gbest，引导 employed bees 和 onlooker bees 的搜索轨迹；scout bees 用于淘汰质量较差的食源。空间划分规则、蜂群信息交换细节及 gbest 的选择标准尚未验证。 作者报告，在取自 CEC09 的一组无约束多目标测试问题上，使用 HV、SPREAD、EPSILON 和 IGD 四项指标，并通过 Friedman 检验与另外 11 种多目标算法比较，dMOABC 显著优于这些对照。摘要未提供逐问题、逐指标数值，因而不能判断优势幅度及其一致性。具体测试问题、评价预算、重复运行次数、参数配置、统计检验细节与消融信息尚未验证，代码可用性也尚未验证。 该方法依赖可评价的多目标候选解与搜索空间，不涉及神经信号监督或模型训练。材料未建立它与 EEG/BCI 瓶颈的具体对应关系，因此不能据此推断其具有 BCI 优化效果；已有 EEG 相关工作尚未检索确认。