处理演化多模态多目标优化中收敛与决策空间多样性之间的不平衡

基于摘要分析。本文研究多模态多目标优化问题（MMOP）：多个决策空间中的 Pareto 最优解可能对应相同的目标向量，但寻找这些解的难度不同。作者提出一组不平衡距离最小化基准问题，并提出采用收敛惩罚密度方法的演化算法 CPDEA，以处理收敛与决策空间多样性之间的不平衡。 核心机制是根据解的局部收敛质量，变换决策空间中解之间的距离；随后利用变换后的距离估计密度，并将密度作为选择准则。作者认为，已有演化多模态多目标算法（EMMAs）的收敛优先选择策略容易快速聚集到较易找到的 Pareto 最优解，从而丢失决策空间多样性。本文关注的是对不同决策解的覆盖，而不只是目标空间中的收敛表现。 作者报告，在所提出的基准问题上，与五种被作者称为当时最先进的 EMMAs 相比，CPDEA 求解表现明显更优。摘要未给出具体评价指标、数值、基线名称、问题规模或计算预算，因此这一结论应限定于文中所提基准及其尚待核对的实验协议，不能据此推断其在其他优化问题上的普遍优势。 复现时需要核对局部收敛质量的定义、距离变换与密度估计公式、选择流程，以及基准构造、计算预算、消融和统计检验；这些信息尚未验证。本文的主要研究对象是通用演化优化，并非神经信号建模或 BCI 验证；现有材料不足以建立具体的 EEG/BCI 迁移路径，不推断相关有效性。