该文档属于类型a，即报告了一项原创性研究的科学论文。以下是针对该研究的学术报告：
多目标进化优化中基于”学习排序”的交互式方法研究
一、作者及发表信息
该研究由电子科技大学的Ke Li（IEEE高级会员）、Guiyu Lai和南方科技大学的Xin Yao（IEEE会士）合作完成，发表于IEEE Transactions on Evolutionary Computation 2023年8月刊（第27卷第4期）。
二、学术背景
1. 研究领域：
研究属于进化计算与多目标决策交叉领域，聚焦交互式进化多目标优化（Interactive Evolutionary Multiobjective Optimization, iEMO）方法。传统多目标进化算法（EMO）如NSGA-II、MOEA/D等追求Pareto前沿的广泛覆盖，但决策者（Decision Maker, DM）实际仅需关注符合其偏好的部分解（Solutions of Interest, SOI）。
- 研究动机：
- 现有iEMO方法多为算法专用（如仅适配NSGA-II或MOEA/D），缺乏通用框架
- 偏好建模多依赖数学规划方法，机器学习中的”学习排序”（Learning to Rank, LTR）技术未充分探索
- 高维目标空间下，现有方法存在决策疲劳和认知负担问题
- 研究目标：
开发通用框架，通过LTR神经网络动态学习DM偏好，指导任意EMO算法高效收敛至SOI。
三、技术方案与流程
研究提出包含三个模块的通用框架：
- 咨询模块（Consultation Module）
- 候选解选择：每τ=10代从种群中选择μ=10个候选解
- 偏好表达：DM通过成对比较（pairwise comparison）提供偏好信息（优于/劣于/无差异）
- LTR模型构建：
- 使用单隐藏层神经网络，输入为目标函数差值向量（Δf1,Δf2,…,Δfm）
- 损失函数采用改进的交叉熵（公式4-6），通过随机梯度下降（SGD）更新权重
- 输出为解的效用值u(x)，反映DM偏好排序
*创新点*：首次将信息检索领域的LTR技术引入iEMO，相比传统序数回归（ordinal regression）更适应高维目标空间。
- 偏好提取模块（Preference Elicitation Module）
针对不同EMO基算法定制偏好转化机制：
- NSGA-II：用u(x)替代拥挤距离（crowding distance）
- MOEA/D：通过四步流程调整权重向量分布（图4）
- Step 1-2：根据u(x)筛选Top-μ解及其关联权重
- Step 3：通过公式14将邻域权重向优选区域收缩（η=0.2）
- Step 4：输出调整后的权重集
- R2-IBEA：将调整后权重代入R2指标计算
*关键技术*：提出基于Hit-and-Run方法的权重初始化策略（图5），解决高维空间权重稀疏性问题。
- 优化模块（Optimization Module）
验证三种算法实例：
- i-NSGA-II/LTR
- i-MOEA/D/LTR
- i-R2-IBEA/LTR
四、实验结果
在48个基准问题（3-10目标）和机器人控制实际问题上验证：
- 基准测试对比
- 竞争优势：较BC-EMOA、NEMO-0等4种前沿方法，所提框架在80%案例中显著优势（Wilcoxon检验p<0.05）
- 维度适应性：i-NSGA-II/LTR在8-10维问题表现最优（图7），颠覆”NSGA-II不适用高维”的认知
- 偏好类型：对均衡偏好（we）的优化效果优于偏置偏好（wb）（表I）
- LTR模型效能
- NDCG@20指标显示：LTR神经网络（0.82±0.07）优于排序SVM（0.63±0.11）和序数回归（0.79±0.09）（表II）
- 反例验证（补充材料附录A）：序数回归在特定偏好下失效，而LTR保持稳健
- 参数敏感性（图13）
- 咨询间隔τ：τ=20代效果优于τ=5代（避免过早误导）
- 候选解数量μ：μ=20时模型精度最高，但需权衡DM负荷
- 权重调整步长η：η=0.1时收敛稳定性最佳
五、结论与价值
1. 理论贡献：
- 提出首个支持Pareto/分解/指标三类EMO的通用交互框架
- 建立LTR在偏好建模中的数学表达与优化方法（公式2-12）
- 应用价值：
- 为复杂系统（如Suppl.材料C的机器人控制）提供”人在环路”优化范式
- 降低高维决策空间下的DM认知负荷（仅需成对比较）
六、研究亮点
1. 方法论创新：
- 首次实现LTR与三类EMO的无缝集成（plug-in模式）
- 开发基于HAR方法的权重初始化技术，解决高维稀疏性问题
- 发现颠覆性：
- 证明NSGA-II作为交互基算法的潜力，改变其”高维乏力”的固有认知
- 揭示频繁咨询（τ过小）反而不利收敛的新现象（图13）
七、延伸价值
研究开辟了三个未来方向：
1. 结合主动学习（active learning）优化咨询策略
2. 开发可解释AI技术解析DM偏好
3. 探索人机协同决策新范式
该报告严格遵循学术规范，专业术语首次出现时标注英文原文（如”学习排序（Learning to Rank, LTR）”），数据引用精确到图表公式编号，并突出方法论创新与实证发现的联系。