现有动态多目标进化算法大致可以分为以下几类：

1. 基于多样性（diversity）的办法，要么在动态发生时引入多样性，要么在整个搜索过程中保持高多样性。
2. 基于预测（prediction）的办法，学习环境变化前的潜在模式预测动态变化。
3. 基于记忆（memory）的办法， 主要重用先前存储的最优解，以快速响应新的环境变化
4. 基于多种群（multipopulation）的办法，同时维护多个子种群进行搜索。

本周我看了5篇论文：

A.基于决策变量分类的动态多目标优化算法

在静态优化时把决策变量分为单最优变量和多最优变量。

多最优变量(Multioptimal Variable)：给定决策变量i，若PS ( t )中存在两个解x和y，且xiyi不相等，其中xi和yi分别为候选解x和y的第i个决策变量值，则称决策变量i具有多个最优值，即为多最优变量。
单最优变量(Single-Optimal Variable)：给定一个决策变量i，如果对于PS ( t )中的任意两个解x和y，对应的第i个决策变量值相同，即xi = yi，则称决策变量i具有单最优值，即它是单最优变量。

针对两个不同种类的变量采取SBX交叉算子和DE交叉算子两种不同的变异策略，保持种群多样性。

在检测到环境变化时使用非参数t检验用来评估决策变量的变化与环境变化的相关性，把决策变量分为相似，可预测，与不可预测三类。

对于相似变量，不需要在变更响应中重新初始化，对于可预测的变量就基于预测重新初始化，对于不可预测的变量就通过多样性引入重新初始化。

B.基于聚类减少负迁移学习的动态多目标优化

为了在求解DMOP时减少负转移，本文提出了一种基于聚类的DMOEAs转移（CBT）学习方法（称为CT-DMOEA），其中包括两种用于知识转移的新操作（基于聚类的选择（CBS）和CBT）

• 当环境发生变化时，CBS的目标是找到一个具有非支配解和支配解的种群作为新环境的训练数据。
• 然后，CBT进一步收集之前的Pareto最优解和一些噪声解作为之前环境的训练数据。
• 将不同环境中的两个训练数据集分别分类为多个簇，并对来自不同环境的两个相似聚类使用迁移学习方法TrAdaboost训练预测模型，生成具有接近新环境POS的高质量解决方案的初始种群，并在该新环境中通过静态MOEA进一步优化。

C.通过自动编码进化搜索解决动态多目标问题

在遇到环境变化时，使用自编码器（autoencoder）学习t-1时刻到t时刻的pos路径并对t到t+1时刻的路径做出预测。 并随机保存下t时刻的一半解来维持种群的多样性。

D.动态约束多目标问题的一种新进化算法

提出了一种适用于DCMOPs的非支配解选择算子。当新环境出现时，所提出的非支配解选择算子可以保留上一环境中得到的部分非支配解，增加新环境中非支配集的多样性。
在设计的交配选择策略和种群选择算子中引入了约束处理技术，能够平衡种群多样性和算法收敛能力
提出了一种变化检测策略，可以准确地检测出目标函数或约束中出现的动态性。
 

E.基于流形迁移学习的快速动态多目标进化算法​​​​​​​

提出了一种新的记忆驱动流形动态多目标进化算法( MMTL-DMOEA )，该方法将记忆机制保存过去最好个体与流形TL特征相结合，预测进化过程中新实例处的最优个体。然后，从过去经验和未来预测中获得的这些个体的精英将作为优化过程中的初始种群 

导师总结：在总结论文的时候字不够多，对算法本身没有更层次的了解，还不够精读经不起拷问，下次总结的时候，比方说上面都使用了基于预测的办法，那这5个方法有什么不同点可以可以值得ieee收录。还是继续加油吧，这周打算看基于其他办法的动态多目标优化算法。