論文題目：Effective response strategies based on adaptive selection for dynamic multi-objective evolutionary optimization

基于自適應選擇的動態多目標進化優化有效響應策略（Xiaoli Li a,b,c, Anran Cao a,?, Kang Wang a）Applied Soft Computing Journal 162 (2024) 111756

剛開始學習多目標優化算法，不作商業用途，如果有不正確的地方請指正！

個人總結：

有一點創新的中心點預測,+通過去噪自動編碼器 （DA） 提取變化模式,根據最后兩個環境中的歷史人口學習了映射矩陣+小范圍的變異 三個策略

在使用一個概率輪盤賭的形式從上面選擇個體

摘要

• 基于預測的算法是求解 DMOP 的最常見方法。然而，單一的復雜預測因子并不總是適合提取不同DMOPs的變化模式，更不用說具有不可預測變化的DMOPs了。
• 為了克服這些局限性，該文提出了一種簡單而有效的算法，即基于自適應選擇的響應策略（RSAS）。當發生變化時，RSAS通過不同的建議策略提供多樣化的解決方案，即中心引導的自校正預測、基于個體的預測和精確可控的突變。
• 根據他們生成的解集的質量，自適應選擇機制可以調整這三種策略的選擇概率。由于RSAS不僅包含兩種不同的預測策略，而且還包含突變策略，因此可以對可預測和不可預測的變化做出更快速的響應。

引言

本文提出的想法

該文提出了一種基于自適應選擇的有效響應策略，即RSAS。本文的主要思想可以簡要概括為：RSAS由自適應選擇方法、中心引導的自校正預測、基于個體的預測和精確可控的突變組成。通過自適應選擇，對3種策略的工作概率進行自適應調整。

背景及相關工作

A.DMOP基礎

提出的算法

A.算法總框架

當發生變化時，自適應選擇方法將根據每個策略在最后環境中的表現更新它們的選擇概率。然后，三種策略生成新的解決方案集，并根據選擇概率形成新的群體。

B.自適應選擇方法

自適應選擇方法可以增加對適宜響應策略的響應策略的響應概率，以應對動態環境?.

自適應選擇方法計算每個獲得的個體與優化的總體之間的平均最小距離。

和每個策略的選擇概率

?

?

C.中心引導的自矯正策略?

做預測前做了一個擾動(0.5,0.75,1,1.25,1.5)采用非主導排序法找到非主導中心點確定Ct+1?,再生成個體

?

?

D基于個體的預測?

提出了基于個體的預測 （IP），它通過去噪自動編碼器 （DA） 提取變化模式,根據最后兩個環境中的歷史人口學習了映射矩陣。之后，學習到的映射矩陣將用于預測新的種群。

E精確可控的突變

讓我想起了DMOES 復現的第一個論文?

?

對比算法

MOEA/D-KL 2021, MOEA/D-DM 2019, MOEA/DSVR 2020, and MOEA/D-AE 2022.?