类型a：这篇文档报告了一项原创研究，因此属于类型a。
主要作者与机构及发表信息
这篇研究的主要作者包括Cheng He（IEEE会员）、Shihua Huang、Ran Cheng（IEEE会员）、Kay Chen Tan（IEEE会士）和Yaochu Jin（IEEE会士）。Cheng He、Shihua Huang和Ran Cheng隶属于广东省进化智能系统重点实验室、南方科技大学计算机科学与工程系；Kay Chen Tan隶属于香港城市大学计算机科学系；Yaochu Jin隶属于英国萨里大学计算机科学系。该研究发表在《IEEE Transactions on Cybernetics》期刊上。
学术背景
本研究属于多目标优化（Multiobjective Optimization, MOPs）领域，旨在解决具有多个冲突目标的优化问题。近年来，基于机器学习模型驱动进化算法的研究逐渐增多，但这些方法在高维决策空间中表现不佳，主要原因在于训练数据需求量随决策变量数量增加而指数增长（即维度灾难）。此外，传统进化算法中的遗传操作（如交叉和变异）无法显式地从环境中学习，导致生成的后代解质量有限。为了解决这些问题，作者提出了一种基于生成对抗网络（Generative Adversarial Networks, GANs）的多目标进化算法（GMoEA）。GANs是一种强大的生成模型，能够通过对抗学习机制高效学习高维分布，并且其生成样本的能力使其成为解决高维MOPs的理想工具。
研究流程
该研究的工作流程包括以下几个主要步骤：
候选解分类（Solution Classification）
在每一代进化过程中，首先将当前种群中的候选解分为两组：高质量解标记为“真实样本”（real samples），低质量解标记为“假样本”（fake samples）。分类依据是改进的强度Pareto选择策略（Improved Strength Pareto based Selection），通过计算适应度值和密度信息来区分解的质量。
模型训练（Model Training）
使用分类后的样本训练GANs。生成器（Generator）和判别器（Discriminator）均采用前馈神经网络结构。训练过程中，判别器使用真实样本、假样本以及生成器生成的样本来更新参数，而生成器则通过对抗学习机制生成更接近真实分布的样本。为了提高训练效率，作者提出了一种新的训练方法，利用多元正态分布增强数据生成能力。
后代生成（Offspring Reproduction）
后代解通过混合繁殖策略生成，即以相等概率使用GANs生成后代或通过传统遗传操作（交叉和变异）生成后代。这种混合策略平衡了算法的开发（exploitation）和探索（exploration）能力。
环境选择（Environmental Selection）
将父代和子代解合并后，通过环境选择策略选择下一代种群。选择过程基于非支配排序和密度估计，确保种群的多样性和收敛性。
终止条件
算法运行至达到预设的目标函数评估次数（Function Evaluations, FEs）为止。
主要结果
研究对GMoEA进行了三组实验，验证了其性能：
模型训练方法的有效性
通过对IMF4和IMF7问题的测试，发现改进的GANs训练方法显著提高了后代解的质量。在IMF4中，改进的GANs生成的后代解分布更广且收敛性更好；在IMF7中，改进的GANs在高维决策空间中仍能生成高质量解。
整体性能比较
GMoEA与六种代表性多目标进化算法（NSGA-II、MOEA/D-DE、MOEA/D-CMA、IM-MOEA、GDE3和SPEA2）在10个基准问题上进行了比较。统计结果显示，GMoEA在IGD（Inverted Generational Distance）和HV（Hypervolume）指标上均优于其他算法，尤其是在高维决策空间问题中表现出色。
混合策略的有效性
对比纯遗传操作（GMoEA*）、纯GAN操作（GMoEA−）和混合策略（GMoEA），发现混合策略在几乎所有测试实例中均表现最佳，证明了GAN操作与混合策略的有效性。
结论与价值
GMoEA在解决高维多目标优化问题方面表现出显著优势，其科学价值在于结合了GANs的强大生成能力和进化算法的全局搜索能力，克服了传统模型驱动进化算法在高维空间中的局限性。应用价值体现在其可广泛应用于复杂优化问题，如深度神经网络结构学习、建筑设计中的能源效率优化以及认知空间通信等领域。
研究亮点
1. 提出了一种新颖的基于GANs的多目标进化算法（GMoEA），首次将GANs引入多目标优化领域。
2. 设计了一种新的GANs训练方法，通过多元正态分布增强数据生成能力，减少了训练数据需求量。
3. 提出了混合繁殖策略，有效平衡了算法的开发和探索能力。
4. 在高维决策空间问题中表现出优异性能，解决了传统方法的维度灾难问题。
其他有价值内容
研究还探讨了GMoEA的运行时间成本，虽然其运行时间约为标准IBEA的五倍，但通过使用高性能GPU可以进一步优化。此外，作者指出，GMoEA的模型结构可根据具体问题进行调整，以适应不同的优化场景。