IGD indicator演化算法的一些小总结

鉴于这几天的工作，就小总结一把：

1）首先介绍的是一个基于Δp的演化算法 (来自：Finding Evenly Spaced Fronts for Multiobjective Control via Averaging Hausdorff-Measure)，具体这个indicator就不多说了，记住它是IGD和GD的混合体就行了，理所当然就需要一组在真实PF上的采样点用来做计算，那么我们主要说一下它是怎么构造这些真实点的。记得有一个算法叫做SMS-EMOA，它是先给solutions进行non-dominated sorting，然后从最坏的front里面开始去掉对当前HyperVolume贡献最小的值，直到满足当前系统对个体数量的要求。它使用hyperVolumne这种方法这可以逼近出来当前的PF，但是这些逼近点不够evently，那么在Δp方法中，就进行差点，通过计算临近点的距离插入合适数量的solutions，最终完成这种PF的逼近。很明显，它使用了SMS-EMOA，而SMS-EMOA使用了HV的计算，HV的计算代价很高，所以在这个文章中，Δp方法只能用来处理2目标的优化问题。

2：接着介绍一个Δp的变种，可以处理3目标的问题的。这个文章的标题是：Finding Evenly Spaced Pareto Fronts for Three-Objective Optimization Problems。妈的这篇文章作者思路不清楚，看不懂咋弄的，好像是用MDS来维护一个archving的方法，用到了convex hull，但是我看不懂，就不做介绍了。

3：