安徽大學 田野老師 platEMO 平台代碼網址：https://github.com/BIMK/PlatEMO
NSGA2 MOEA/D NSGA3 網上寫的較好的單獨代碼分享，供大家學習調試理解：
鏈接：https://pan.baidu.com/s/1Y-rJWaHODdObiDO4BzuJrg
提取碼：mdyb
網上查閱很多資料，基於分解的MOEA的理解匯總（當做自己的筆記記錄下）如下：
基於分解的MOEA有三類聚合函數，如下
對於權重聚合方法，jinTester 給出的解釋可能更容易理解，參見https://blog.csdn.net/jinjiahao5299/article/details/76045936
首先，λ被稱之為權重向量，觀察和式，這完全就是m維向量的點乘公式嘛。具體的說，在目標空間中，把算法求出的一個目標點和原點相連構造成一個向量，此時，該方法的做法是將該向量與對應權重向量點乘，由向量點乘的幾何意義可知，所得的數為該向量在權重向量方向上的投影長度，因為權重向量不變，最大/小化該長度值其實就是在優化該向量。可知若要增大該向量在權重向量上投影的長度，一方面可以增大/減小與權重向量的夾角，另一方面可以增大/減小該向量的長度。樣例圖如下圖。
圖中：考慮紅色權重向量，因為是最小化問題，所以減小長度，增大夾角都是可行的方案，綠色為等高線，垂直於權重向量。
對於切比雪夫聚合方法，Erpim 給出的解釋可能更容易理解，參見https://blog.csdn.net/qq_35414569/article/details/79655400
理解為啥f′1λ1>f′2λ2，這個需要看前提條件的，如果在λ左上方，只有f1和f2發生了變化。你可以移位一下，看作是兩個斜率的比較。注意，λ是針對某一個的，是不變的。
jinTester的解釋：https://blog.csdn.net/jinjiahao5299/article/details/76045936
該方法給出的表達式為：
注意該方法中不再含有Σ符號，故不能再從向量點乘的角度理解。該方法大致思想是減少最大差距從而將個體逼近PF。等高線示意圖如下：
首先解釋等高線為什么是這樣的。單看f1函數，即只考慮縱坐標，若兩點等值，必然是 式中f1的函數值相等（因為另外兩個量是不變的），即縱坐標相等，所以f1函數的等高線是一組平行於橫軸的直線。f2類似，為一組平行於縱軸的直線。
那么，圖中的等高線是橫豎相交且剛好交在權重向量的方向上的，這是巧合嗎？可以稍微來證明一下，可知，對於任何一個可行的切比雪夫值（自己叫的），我們從f1的角度上可以得到一個f1的值y，從f2的角度上可以得到一個f2的值x，他們的切比雪夫值是相等的，自然想到，點(x,y)（圖中紫色點）為該切比雪夫值得橫縱兩條等值線的交點，那么有：λ1*(y-z1)= λ2*(x-z2)，化簡的(y-z1)/(x-z2)= λ2/λ1，可知該交點位於權重向量的方向上。
需要注意一點，這里的權重向量起點是Z*，不再是原點。
此時可知，若某個個體位於其權重向量方向的上部，則max得到的一定是其f1部分，故優化也需要減小其f1的值，即個體向下移動，相反，若在權重向量方向的下部，則應像左移動。以此來保證個體目標值落在黃點附近。
一種可能的個體運動路線如下圖橘黃色所示：
這里λ和權重聚合方法以及切比雪夫中的定義一致，也即滿足λ¡≥0，¡=1，…，m且
。既然λ是各分量和為1的向量，而不是單位向量，我認為d2的求解式應該是有問題的，應該是
另外我查閱有些博主也是這么認為的，比如愛吃米飯的小希，https://blog.csdn.net/zp18355435850/article/details/80501324
各個參數含義如下圖：
參見jinTester，https://blog.csdn.net/jinjiahao5299/article/details/76045936
可知算法放寬了對算法求出的解得要求，但加入了一個懲罰措施，說白了，就是你可以不把解生成在權重向量的方向上，但如果不在權重向量方向上，你就必須要接收懲罰，你距離權重向量越遠，受的懲罰越厲害，以此來約束算法向權重向量的方向生成解。
接下來是關於d1和d2兩個參數的計算表達式的含義說明，我依然是從幾何角度理解的。
d1——觀察d1的計算表達式，Z*-F(x)可以看做原點到Z*點的向量減去原點到F(x)的向量，得到的是從F(x)出發指向Z*的一個向量，暫且命名為μ，之后μ與λ相乘得到μ在λ方向上的投影，這個長度值與λ的長度值之比為d1。
d2——其表達式的含義其實也無非就是利用向量運算構造出d2所表示的向量，取模即可得到d2.構造過程如下：
Z*表紅色向量，d1*λ表藍色向量（因為減法，所以方向取反），紅色減藍色得紫色向量，F(x)表綠色向量，綠色減紫色得黃色向量，即d2表黃色向量的長度。
輔助理解MOEA/D算法的
https://www.docin.com/p-1627227465.html [感覺翻譯了論文的絕大部分]
MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition
中文鏈接：https://wenku.baidu.com/view/d163a04d915f804d2a16c102.html
文檔下載：
鏈接：https://pan.baidu.com/s/1l5_Eq9ODlYov4XtEK2unsQ
提取碼：na3t
Chithon http://blog.csdn.net/qithon/article/details/72885053#comments
jinTester http://blog.csdn.net/jinjiahao5299/article/details/76045936
https://blog.csdn.net/sinat_33231573/article/details/80271801
多目標優化_學習筆記（三）MOEA/D https://blog.csdn.net/qq_35414569/article/details/79655400 [對這三種方法的解釋比較好]
一種基於支配和分解的多目標優化進化算法學習筆記 ：https://blog.csdn.net/zp18355435850/article/details/80501324