Maximum Dispersion, Maximum Concentration: Enhancing the Quality of MOP Solutions

技术摘要：最大离散度与最大集中度

问题定义
多目标优化问题（MOPs）需要平衡相互冲突的目标，通常旨在逼近目标空间中的帕累托前沿（Pareto Front, PF）。虽然传统的多目标进化算法（MOEAs）能有效地收敛至 PF，但它们往往面临一个关键局限：解倾向于聚集在决策空间的特定区域。这种决策空间（$\Omega$）中多样性的缺失导致了实现偏差，即决策者被呈现的是一组狭窄的选择，如果初始条件发生变化，这些选择可能会变得不可行。相反，虽然存在基于偏好的方法可以将搜索重点放在目标空间的特定感兴趣区域（Region of Interest, ROI）以提高收敛性，但这些方法很少同时解决决策空间最大化离散度的需求。本文指出了文献中关于同时优化目标空间解的集中度和决策空间解的离散度这一研究空白。

方法论：C-DWU 算法
作者提出了 C-DWU（锥度支配加权均匀度）算法，这是对现有支配加权均匀度（DWU）方法的改进。该方法通过两项具体的修改，将决策者通过偏好锥 $C$（由轴向量 $v$ 和张角 $\theta$ 特征化）定义的偏好集成到进化过程中：

1. 惩罚非支配排序： 在排序阶段，位于偏好锥 $C$ 之外的解会被惩罚。惩罚程度与解的目标向量与锥轴 $v$ 之间的角距离（$\phi$）成正比。其计算公式为惩罚函数 $P_{\alpha,\theta}(\phi) = \lfloor e^{\alpha(\phi-\theta)} \rfloor$，该函数会增加处于边界外解的非支配前沿层级，从而有效地将搜索推向 ROI。
2. 改进的选择启发式算法 (C-wd)： 标准的 DWU 选择启发式算法旨在最大化决策空间的均匀度，本文对其进行了修改，以纳入偏好锥。一个新的函数 C-wd 对位于锥外的解在支配加权均匀度计算中应用惩罚项 $P_{\beta,\theta}(\phi)$。这确保了算法在寻求最大化决策空间中解之间的距离（离散度）时，能够优先考虑那些同时也满足目标空间 ROI 内集中约束的解。

该算法旨在寻找一组既是帕累托最优、又集中在目标空间定义的 ROI 内，且在决策空间内实现最大离散度的解子集。

实验设置与结果
作者将 C-DWU 与修改版的 NSGA-II（记作 C-NSGAII）进行了对比评估。C-NSGAII 应用了相同的基于锥的惩罚机制，但缺乏决策空间离散度机制。实验在包含 WFG4、WFG9（多峰）和 DTLZ2（单峰）测试集的双目标约束优化问题上进行，决策空间维度分别为 5、7 和 9。

• 收敛性（目标空间）： 通过相对于 ROI 的反向生成距离（Inverted Generational Distance, IGD）进行衡量。结果表明，在大多数实例中，C-NSGAII 实现了略好的收敛性（较低的 IGD 值）。
• 离散度（决策空间）： 通过基于解之间最小距离的均匀度指标进行衡量。C-DWU 显著优于 C-NSGAII，实现了更高的均匀度值。
• 可视化： 利用 CAP-VIZ 对 WFG4 问题进行的高维可视化显示，C-NSGAII 的解在决策空间中高度聚集在单个扇区（靠近轴 $e_9$），而 C-DWU 的解则分布在多个扇区（7、8 和 9）中，在角距离和欧几里得范数方面都表现出更大的变异性。

核心贡献

• 双目标优化： 本文引入了一个框架，能够同时实现目标空间特定 ROI 内的解集中度和决策空间内解的离散度最大化。
• 算法改进： 开发了 C-DWU，它通过修改 DWU 算法，使其能够在不牺牲决策空间多样性的前提下接受偏好锥约束。
• 缓解偏差： 该方法解决了决策空间中“极化”解的问题，为决策者提供了多样化的实现方案，这些方案在预期的目标区域内都是最优的。

意义与主张
作者声称，所提方法通过平衡多样性和准确性，提升了 MOP 解的质量。他们认为，虽然 C-DWU 算法可能表现出比 C-NSGAII 略低的收敛速率，但这种权衡是合理的，因为其带来的决策空间多样性的显著增益是值得的。其主要意义在于为决策者提供了一套稳健的选择；决策空间中多样化的解使得在现实场景发生不可预见的变更时具有灵活性，从而避免了昂贵的重新优化。论文得出结论，通过偏好锥定义 ROI 是将决策者偏好集成到进化算法中并保持解集代表性的有效且易于调整的方法。