A Decision Variable Clustering-Based Evolutionary Algorithm for Large-Scale Many-Objective Optimization、
前期实验
图1显示了在（1）中制定的MOP上获得的采样点，方法是在[0,1]之间扰动一个变量，同时将另一个变量分别固定为0,0.5和1。根据上面介绍的变量分析策略，MOEA/DVA分别将x1和x2标记为多样性相关变量和与收敛性和多样性相关的变量。然而，由于 x2 对收敛的贡献大于多样性，因此将 x2 优化为收敛相关变量而不是多样性相关变量会更有益。
图2显示了在（2）中制定的MOP上获得的采样点，方法是在[0,1]之间扰动一个变量，同时将另一个变量分别固定为0.2,0.6和1。根据上面介绍的变量分析策略，MOEA/DVA 将 x1 和 x2 标记为多样性相关变量。然而，在这种情况下，将 x2 标记为收敛相关变量更有利，因为优化 x2 将引导总体走向帕累托前沿。
变量分析方法
参考svd拟合曲线讲解
标签：变量,标记,多样性,x2,相关,收敛,LMEA From： https://www.cnblogs.com/kz7430/p/18153263