【论文笔记Rapidly Handling Constrained Multi-objective Optimization Problems with Hypervolume Gradient01】

《Rapidly Handling Constrained Multi-objective Optimization Problems with Hypervolume Gradient Subspace Approximation》Kenneth M. Zhang, Angel E. Rodriguez-Fernandez, Ke Shang,Senior Member, IEEE, Hisao Ishibuchi,Fellow, IEEE, and Oliver Sch¨utze

提出了一种处理带约束的连续多目标优化问题（CMOPs）的新方法。核心思想是结合基于集合的超体积梯度子空间近似（HVGSA）与多目标进化算法（MOEA），形成一个混合框架HVGSA-MOEA。

摘要

本文提出了一种新颖的混合方法，用于数值求解带约束的连续多目标优化问题（CMOPs）。

第一步，我们提出了基于集合的局部搜索引擎 HVGSA，旨在改进超体积（HV）指标。该算子的独特之处在于，其搜索方向可以在不显式使用梯度信息、也不需要额外目标函数或 HV 评估的情况下计算得出（尽管需要求解一个特定的线性方程组）。相反，它利用现有的邻域信息，在由此产生的一组方向所张成的空间中，近似出最贪婪的搜索方向。作为副产品，沿该方向的方向导数也可以被近似，从而支持自适应步长控制的使用。HVGSA 能够处理等式和不等式约束，并且原则上可应用于具有任意数量目标的 MOPs。

第二步，我们提出了HVGSA-MOEA，这是一个将 (μ+μ) 多目标进化算法（MOEAs）与新的搜索引擎相结合的框架。HVGSA 既可以应用于整个种群，也可以应用于特定的子集（精英个体），以降低计算负担。

最后，我们在真实世界基准问题上验证了 HVGSA 作为独立算法以及 HVGSA-MOEA 的优势。结果表明，这种新颖的混合方法与当前最先进的方法相比极具竞争力。

1. 快速浏览一遍文章的时候，摘要结构清晰但是不清楚，看懂字但是没理解，也不知道没理解什么，就是“再说什么？？”
2. 什么是超体积（HV）指标
3. ”搜索方向可以在不显式使用梯度信息、也不需要额外目标函数或 HV 评估的情况下计算得出“ 这句话是什么意思？原有的搜索方向是怎么样确定的？又有什么缺点不足之处呢？
4. (μ+μ) 多目标进化算法（MOEAs）是什么意思？
5. 新的搜索引擎是什么意思？还有旧的搜索引擎吗？搜索引擎在CMOPS中是一个必备的组件或者模块吗？

一、看不懂

现实工程问题 → 抽象成数学问题 → 梳理前人已经做到哪、还有哪些坑没填 → 找到自己的切入缺口 → 设计算法 / 理论 → 实验验证 → 写论文发表。

一开始我看不懂这篇文章，因为缺少 “领域地图”：不知道这个领域要解决什么现实痛点，前人分别走了哪几条技术路线，每条路线分别解决了什么、留下什么弊病。 论文作者是站在这张地图上写文章；但我手里没有地图，直接看他的 “新造的小工具（HVGSA）”，就不知道这个工具放在地图的哪个位置，不知道他为什么要造这个工具。

于是乎，可以借助 AI 梳理并提问，了解背景相关知识，帮你把这个地图构建出来。

大领域：进化计算（Evolutionary Computation, EC）→ 多目标优化（Multi-objective Optimization, MOP）→ 约束多目标优化（Constrained Multi-objective Optimization, CMOP）

基于超体积（Hypervolume, HV）指标的进化算法与局部搜索（Local Search）相结合的模因算法（Memetic Algorithm）分支

细分方向：约束多目标优化（CMOP）中的基于指标（Indicator-based）的进化算法，特别是以超体积（HV）作为选择或搜索准则的方法。

该方向面临的核心难题：

• HV 梯度计算成本极高：超体积是评价解集质量最优秀的指标之一，但它的梯度（即如何调整整个种群以最大化 HV）计算或近似非常昂贵。直接计算 HV 梯度需要大量的函数评估（FEs）和 HV 评估，这在现实世界优化问题（如 RCM 基准测试）中往往是不可接受的。

• 约束处理与可行域狭窄：约束多目标问题中，可行域可能非常狭窄、不连通，甚至在早期种群中完全不可行。传统的约束处理技术（如约束支配原则 CDP）容易导致种群陷入局部可行域，丢失对全局 Pareto 前沿的探索。

• 局部搜索与全局进化的平衡：将数学规划中的局部搜索（如梯度下降）与进化算法（EA）结合（即模因算法）可以加速收敛，但局部搜索通常需要梯度信息，且很难处理约束，容易在不可行区域“卡住”。

关于 HV 相关 的问题研究 可以看下面这篇综述，会更有总体观，更加清晰
K. Shang, H. Ishibuchi, L. He and L. M. Pang, "A Survey on the Hypervolume Indicator in Evolutionary Multiobjective Optimization," inIEEE Transactions on Evolutionary Computation, vol. 25, no. 1, pp. 1-20, Feb. 2021, doi: 10.1109/TEVC.2020.3013290.
这篇文章对超体积（Hypervolume, HV）指标的相关研究进行了系统性的梳理，

文章围绕HV指标的以下五个核心主题展开：

• 超体积计算（Hypervolume Calculation）：探讨如何精确且高效地计算该指标。这在多维目标空间下是公认的难题，因为计算成本会随维度增长而急剧增加。

• 最优μ-分布（Optimal μ-Distribution）：研究在真实帕累托前沿上，为使HV最大化，一组固定数量（μ个）的解在理论上的最优分布形态。

• 超体积子集选择（Hypervolume Subset Selection, HSSP）：即“从大量候选中挑出最优子集”的问题。这是基于HV的算法在每一代进行环境选择时必需面对的挑战。

• 基于超体积的EMOAs：调查那些将HV指标直接嵌入搜索过程，用其引导种群进化的算法设计与应用。

• 超体积指标的扩展（Extensions）：讨论HV的各种变体，这些变体旨在克服原始HV在某些场景下的局限（如计算开销大、参考点敏感等）。

本篇笔记所提出的算法处于综述中“超体积计算”与“基于超体积的算法设计”的交汇点，并特别针对“约束多目标优化”这一应用场景进行了“指标扩展”。它试图通过梯度子空间近似的方法，解决传统超体积方法在约束多目标优化中计算慢、效率低的问题。

研究目标：设计算法，用尽量少的计算代价，输出高质量解集。

论文第二章 Related Work 写的内容，所有约束多目标进化算法，基本归为 4 条路。

1. 路线 A：给普通 MOEA 套约束处理规则

代表：NSGA‑II‑CDP，C‑MOEA/D 思路：不改动进化算法主体，加一套规则，比较两个解的时候优先选可行解；不可行解之间看谁约束违反更小。

✅优点：简单，实现方便。
❌痛点： 如果可行域被巨大不可行区域包围，种群很难穿越；等式约束尤其难处理；只靠交叉变异这种随机搜索，在复杂地形收敛慢。

2. 路线 B：多阶段策略（Push‑Pull、ToP‑NSGA‑II）

思路：分阶段。第一阶段“推”，暂时无视约束，先找到无约束的帕累托前沿；第二阶段“拉”，再把解拽回可行域。

✅优点：可以找到一些别的算法找不到的可行解。
❌痛点：什么时候切换阶段？没有普适标准，调参困难。

3. 路线 C：多档案 / 多种群协同（C‑TAEA、CMOEA‑CD）

思路：维护好几个档案，一部分专门探索不可行区域，一部分专注可行域收敛，互相交换个体。

✅优点：可以同时兼顾探索和可行性。
❌痛点：维护多个档案，计算开销上涨；逻辑复杂。

4. 路线 D：Memetic（文化基因算法）：进化算法 + 局部搜索

这就是本文作者站的赛道！！

进化算法（交叉变异）= 全局探索，擅长大范围找区域，但局部精细收敛弱；
局部搜索= 精细打磨，在小邻域内快速提升解质量。
Memetic= 两者混合。

这里路线 D 内部，又分裂出两个子方向，这就是作者真正的切入点，最关键

D‑1：对【单个解】做局部搜索（绝大多数旧 memetic‑MOEA）

拿种群里面某一个个体 x，对 x 做局部搜索，把 x 打磨得更好，放回种群。

✅简单直观。
❌痛点： 局部搜索只优化一个点；多目标要的是一整套解集。你单独把某一个解变好，不代表整套解集的 HV 会提升。选哪个个体做局部搜索也是麻烦事。

D‑2：对【整套解集】做局部搜索（新一代集合式局部搜索）

不再打磨单个解。把整个解集当成一个整体，直接优化整套解集的指标( 比如 HV 超体积 )
目标：让这一堆解合起来的 HV 变大。

已有的工作：HVGA（HV 梯度上升）、HIGAMO、HV‑Newton。

✅优点：直接瞄准解集整体质量，天然同时兼顾收敛 + 多样性。
❌巨大痛点（这就是本文作者看到的缺口！！） 想要做集合局部搜索，需要 HV 的梯度信息；求梯度要大量额外的目标函数评估，计算代价爆炸高。

HVGA：需要差分求梯度，每一步要调用非常多次目标函数，现实工程问题用不起。

之前有个会议版本工作（PPSN2024）：初代 HVGSA，实现无约束场景下，不用显式梯度做集合局部搜索；但是不能处理约束，只能绑定 SMS‑EMOA，参数多。

总结：

1. 集合层面局部搜索效果好，但求 HV 梯度代价太大；
2. 现存无梯度版本 HVGSA（会议版），只能处理无约束优化；
3. 现实工程几乎都是约束多目标问题，有等式、不等式约束，进化过程种群经常出现大量不可行个体；
4. 没有一套通用的集合局部搜索，可以：
   • 不用显式 HV 梯度（省函数评估）
   • 支持等式 + 不等式约束
   • 允许输入不可行解集（适配进化算法前期）
   • 可以很方便嫁接给各种各样型 MOEA，而不是绑定某一个特定算法。

这就是作者想解决的 “研究缺口”，整篇文章全部围绕这个缺口展开。

下次读一篇论文，先问自己 4 个问题

1. 现实场景：这个研究对应工程上什么问题？
2. 数学形式：被抽象成了一个什么优化问题？
3. 前人工作：现在主流有几大类方法？每一类优缺点是什么？还有哪些没解决？
4. 作者的切入点：作者抓住哪一个痛点？他想造出一个具备什么特性的新算法？

此外，另一个思考方式就是作者是怎么样去切入一个领域的问题的，如何去理解作者的思路，是否可以扩展到其他问题上，对未来工作研究可以有什么启发

如果你是审稿人 你会如何去看待这一篇文章，写文章其实也是在售卖自己的科研产品，如何说服审稿人？为什么会被说服？也是值得思考的原因。

二、 一些我自己不懂的概念

1. 求解MOP的方法：

（1） 传统数学规划方法（Classical Methods）

这是最早的方法，通常将多目标问题转化为单目标问题来求解。

• 权重法（Weighted Sum Method）：给每个目标赋予一个权重，加起来变成一个目标。缺点是无法找到凹的帕累托前沿部分。

• ε-约束法（ε-Constraint Method）：保留一个主要目标，把其他目标变成约束（例如：要求目标2必须小于某个值ε）。

• 标量化方法（Scalarization）：如切比雪夫分解（Tchebycheff）。这类方法是很多现代算法（如MOEA/D）的基础。

• 特点：数学理论严谨，但对于非凸、不连续、高维的问题往往无能为力，且一次运行通常只能得到一个解。

（2）进化算法（Evolutionary Algorithms, EAs）

这是目前最主流的方法，因为进化算法天生就是基于“种群”的，一次运行可以找到一组解（帕累托前沿的近似）。

• 代表算法：

  • NSGA-II（基于非支配排序和拥挤度距离）—— 最经典。

  • SPEA2（基于强度帕累托进化算法）。

  • MOEA/D（基于分解的多目标进化算法）—— 将多目标问题分解成多个单目标子问题同时求解。

• 特点：全局搜索能力强，能处理非凸、不连续、甚至黑盒问题。缺点是计算量大，收敛到精确前沿的速度较慢（尤其在问题维度高时）。

（3）局部搜索方法（Local Search Methods）

在多目标领域通常被称为基于数学规划的局部搜索或多目标局部搜索。

• 原理：从一个初始解出发，利用梯度信息（或近似梯度）、单纯形法等，沿着某个方向逐步移动，寻找更优的解。

• 代表方法：多目标最速下降法、多目标牛顿法、以及文章里提到的HVGSA（基于超体积梯度的子空间近似）。

• 特点：收敛速度极快，能精确找到局部帕累托前沿。缺点是极易陷入局部最优，且严重依赖初始点的选择，对目标函数的连续性/可导性有要求。

（4）混合方法（Hybrid Methods）

既然进化算法全局好但收敛慢，局部搜索收敛快但全局差，那把两者结合起来就成了自然的选择。

• 策略：用进化算法进行全局探索（找到有潜力的区域），然后在这些区域启动局部搜索进行精细开发（加速收敛）。

• 代表：Memetic Algorithms（文化基因算法）、以及论文提出的HVGSA-MOEA。

• 特点：兼顾全局和局部，是目前解决复杂昂贵优化问题的主流方向。

（5）其他前沿/特定方法

• 群体智能算法（Swarm Intelligence）：如多目标粒子群优化（MOPSO）、多目标蚁群算法。本质上是受自然界启发的随机搜索，和进化算法类似。

• 代理模型辅助优化（Surrogate-Assisted Optimization）：当目标函数评估极其昂贵（如一次仿真要几小时）时，用机器学习模型（如高斯过程、神经网络）来近似真实函数，减少真实评估次数。

• 偏好驱动优化（Preference-based Optimization）：不找整个帕累托前沿，而是只找决策者感兴趣的那一部分（如参考点法、角度惩罚距离）。

所以作者聚焦在“进化算法+局部搜索”混合方法，而这两种方法存在着痛点：

• 痛点1（随机算子的局限）：多目标进化算法（MOEAs）依赖“随机算子”（比如变异、交叉），当问题地形复杂时，性能会下降。特别是等式约束（equality constraint）非常难搞，因为它会把搜索空间维度降低，导致很难找到可行解。

• 痛点2（局部搜索的局限与混合的困难）：传统的局部搜索（Local Search）擅长沿着解集移动，但容易陷入局部最优。为了弥补，研究者尝试把MOEAs和局部搜索结合起来（混合算法）。但问题是：如何选择合适的“起始点”和“局部搜索策略”非常棘手，这直接决定了最终解集的质量。

2. 什么是“算子”（Operator）？

在进化算法中，“算子”指的是模拟自然进化过程的操作规则。最典型的两个算子是：

• 交叉（Crossover）：模拟生物交配，把两个父代解的部分基因（变量）交换，生成新的子代。
• 变异（Mutation）：模拟基因突变，随机改变解中的某些变量，以增加种群的多样性。

为什么叫“随机”（Stochastic）？

因为这些算子的操作不是确定性的，而是基于概率的。

例如，变异算子并不是说“把第3个变量增加0.5”，而是说“以某个很小的概率 pmpm​，将第3个变量随机替换为搜索空间内的另一个值”。

这意味着，即使你给同样的父代，运行两次算法，生成的子代也可能完全不同。这就是“随机”的含义。

“依赖随机算子”带来的问题

虽然随机算子赋予了算法全局探索的能力（不容易一开始就卡死），但在处理复杂问题（如带约束的多目标优化问题）时，它的缺点就暴露了：

• 盲目性/低效性：随机算子像是一个“盲人摸象”。它不知道梯度方向，也不知道约束边界在哪里。它只能通过大量随机尝试，偶尔碰巧生成一个更好的解。

• 等式约束的致命打击：正如文中提到的，等式约束（如 x1+x2=1）会极大地缩小可行搜索空间（降低维度）。随机算子生成的点，极大概率落在不可行区域。比如，随机生成 x1=0.3,x2=0.4 加起来是0.7，不满足等于1的约束，这个解就废了。算法需要浪费大量的计算资源去“碰运气”找到一个可行解。

• 收敛慢：在复杂景观（Landscape）下，随机算子无法像梯度下降那样沿着最陡峭的方向快速逼近最优解，导致收敛速度变慢，甚至找不到好的解。

3. 超体积（HV - Hypervolume）指标

在多目标优化中，我们最终得到的不是单一的最优解，而是一组互不支配的解（比如：车A便宜但马力小，车B贵但马力大，两辆车各有千秋，无法说谁绝对比谁好）。这就产生了一个问题：怎么评价这一组解的好坏？

超体积（HV）就是目前学术界公认最好的评价指标之一。它的计算方法是：

1. 先在目标空间里找一个“最差参考点”（比如：价格最贵且马力最小的那个点，作为底线）。

2. 把你找到的这一组解（比如5款车）画在图上。

3. 计算这组解与“最差参考点”之间围成的体积（面积/空间）。

比喻理解：
假设价格和马力构成了一个二维平面。你选出的几款车在这个平面上形成了一条前沿曲线。HV 就是这条曲线向“最差参考点”方向扩展所覆盖的总面积。

• HV 越大，说明你的解集既逼近了真实的最优前沿（收敛性好），又分布得很均匀（多样性好）。

• 在本文中，作者的目标就是通过算法，让种群最终占据的 HV 体积最大化。

4. 标量优化问题（SOP - Scalar Optimization Problem）

一句话解释：把“同时优化多个目标”的难题，通过某种数学手段，转化为“只优化一个数字”的简单问题。

详细解释：
多目标问题（MOP）很难直接用数学公式求导或找梯度，因为目标之间是冲突的。为了能用经典的数学工具求解，我们通常需要把它“降维”成一个单目标问题（SOP）。常见的转化方法：

比如给价格和马力分别打分，然后加权求和：总分 = 0.5 * 价格得分 + 0.5 * 马力得分。这样只需要让“总分”最高就行了。

在本文中的转化：
本文没有用简单的加权求和，而是用“超体积（HV）”作为那个唯一的标量目标。
也就是说，作者把问题变成了：“寻找一组解，使得这组解所占的超体积（HV）数值最大。”这样，原本复杂的 MOP 就变成了一个可以用数学方法求解的 SOP。

5. 梯度子空间近似（GSA - Gradient Subspace Approximation）

一句话解释：一种不用算微积分（求导），仅靠观察周围邻居，就能找出“往哪个方向走能让分数（HV）涨得最快”的数学捷径。

详细解释：

• 梯度（Gradient）：在数学上，梯度代表了函数值增长最快的方向。如果我们知道 HV 的梯度，我们就能顺着梯度方向调整种群，让 HV 迅速变大。

• 痛点：计算 HV 的梯度极其困难且计算量巨大（因为 HV 是一个基于集合的复杂几何指标，不是简单的连续函数）。

GSA 的解法：

• 子空间（Subspace）：既然算不出全局的梯度，我就在当前解的附近（局部空间）找几个邻居点。

• 近似（Approximation）：观察这几个邻居点的 HV 值变化，用线性代数的方法（求解一个线性方程组）估算出一个“最贪婪的搜索方向”。

• 这就好比在浓雾中爬山，看不见山顶（全局梯度），但可以用脚试探周围几步（邻域信息），判断出哪个方向是上坡（近似梯度），然后往那个方向走一步。

三、文章思路总结

到这，这篇文章就懂的七七八八了，但是深入的数学证明、数学公式什么的是没有去深究的，如果真的觉得这篇文章很好，有被说服的话，很有意思，可以继续深入探究

本文的创新应用：
以前 GSA 多用于单目标问题。这篇论文首次将 GSA 应用到了基于 HV 指标的标量优化问题中。因为 GSA 不需要真实梯度，只需要邻域信息，所以作者可以高效地计算出一个搜索方向，用来指导整个种群（解集）向 HV 更大的区域移动，而且计算成本大大降低。

总结它们之间的逻辑关系：我们面对一个多目标问题（MOP），使用超体积（HV）作为评价这组解好坏的唯一标准。于是，问题转化成了“最大化 HV 值”的标量优化问题（SOP）。为了高效求解这个 SOP，我们放弃了传统的求导方法，采用了梯度子空间近似（GSA）技术，通过邻域信息估算搜索方向。最终，这套组合拳构成了论文的核心算法：HVGSA。

1. 理论突破口（What is the key insight?）

1. 引入 GSA：为了解决计算导数太贵的问题，学术界提出了梯度子空间近似（GSA）。它不需要计算真实的梯度，而是利用“邻域信息”来估算最贪婪的搜索方向。

2. 本文的灵感：作者思考——能不能把 GSA 的思想，应用到基于“超体积（HV）”指标的优化中？

核心策略：

• 将 GSA 应用于由 HV 指标和原 MOP 隐含定义的 SOP。
• 从“单点”到“集合”：以前的局部搜索是对单个解操作，
• 本文的方法是对整个解集（种群）进行操作。降本增效：利用邻域信息，避免了直接计算或近似 HV 梯度的巨大计算量。

2. 具体解决方案（How to implement?）

作者基于上述灵感，提出了具体的算法和框架，逻辑上分为三层：

1. 底层引擎：HVGSA 算法（独立搜索引擎）

   功能：能处理等式和不等式约束。
   实现：不依赖梯度信息，而是通过求解一个特定的线性方程组来计算搜索方向。
   优化：引入了自适应步长控制。

2. 上层框架：HVGSA-MOEA（混合框架）

   功能：将 HVGSA 作为一个“插件”，原则上可以集成到任何 (μ+μ) MOEA 中。
   优化：为了减少计算负担，不把 HVGSA 用在所有个体上，而是只用在“精英个体”上。

3. 版本迭代（对比前作）：

   本文是对之前初步研究 [22] 的扩展。
   旧版：基于 SMS-EMOA，只能解决无约束问题，参数多。
   新版：通用框架，能处理约束，有自适应步长，更强大。

3. 验证与总结（Does it work?）

1. 实验验证：在实际基准问题上测试。

2. 结论：证明了 HVGSA 作为独立算法是有效的，且 HVGSA-MOEA 混合框架的性能超越了当前最先进的技术（State-of-the-art）。

3. 文章结构：最后交代了论文的后续章节安排（回顾基础 -> 详解 HVGSA -> 详解 HVGSA-MOEA -> 实验 -> 结论）。

四、如何复现文章代码

Phase 3（Cell 3a-5b）：帮我们算出最贪婪的方向。 这个过程是如何计算的 数学上怎么理解

已知：

• 当前种群 X0∈Rμn（拼接成一个大向量）

• r 个邻居种群 X1,…,Xr

• 它们的 HV 值 Λ(X0),Λ(X1),…,Λ(Xr)

要求：

• 找到一个方向 νS∗，使得沿着它走，HV 上升最快。

理想情况：

• 这个方向就是 HV 的梯度 ∇Λ(X0)

• 但直接算梯度太贵，所以我们不直接算。

核心思路：

• 我们不搜整个 Rμn 空间，只在一个低维子空间S 里找。

• 这个子空间由邻居方向张成：S=span{ν1,…,νr}

• 在这个子空间里，找最接近真实梯度的方向。

用邻居方向张成一个低维子空间，在这个子空间里解一个 KKT 系统，近似出 HV 梯度方向，同时用牛顿步修正约束。整个过程不需要显式计算梯度，只需要邻居的 HV 值和约束值。

第一步：构造子空间

直观理解：

• 我们不知道真实梯度在哪，但猜测它大概率落在这 r 个方向张成的子空间里。

• 这就像不知道山顶在哪，但知道几个脚印的方向，山顶大概率在这些方向之间。

第二步：在子空间里找最接近梯度的方向

第三步：消除对真实梯度的依赖

第四步：处理约束（牛顿修正步）

当精确计算太贵时，用已有信息在低维子空间里近似；当主目标失效时，用约束违反度作为替代准则；当计算资源有限时，只对精英子集做昂贵操作。

作者其实并没有提出什么新的定义和概念，而是把现有的一些方法组合起来，形成了一个能处理约束、计算高效、自适应强的局部搜索引擎，并成功嵌入到主流 MOEA 中。

1.把 GSA 从无约束推广到有约束（通过牛顿修正步）

• 原始 GSA 只能处理无约束问题。

• 作者引入牛顿修正步，把约束违反度作为“额外目标”，让 GSA 在不可行区域也能产生有效方向。

• 这是组合，不是新概念，但解决了 GSA 的一个关键局限。

2. 把 GSA 从“单点”推广到“集合”（种群级别）

• 原始 GSA 作用于单个决策向量。

• 作者把它作用于整个种群（拼接成高维向量），用 HV 作为标量目标。

• 这是组合，但需要处理高维线性系统、匹配问题等工程细节。

3. 提出“精英子集 + 前沿扩展”的实用策略

• 对整个种群做 GSA 太贵，作者只对精英子集做。

• 但只用 CDP 选精英会丢失有潜力的不可行解，作者提出“前沿扩展”来保留它们。

• 这是工程创新，不是理论创新，但很实用。

4. 设计双准则步长接受机制

• HV 提升 + 约束违反度下降，两个准则取“或”。

• 保证算法在可行和不可行情况下都能有进展。

• 这是工程创新，但逻辑清晰、效果好。

5. 把 HVGSA 做成“即插即用”的框架

• 不绑定特定 MOEA，可以嵌入 NSGA-II、ICMA、CMOEA-CD 等。

• 这是框架创新，降低了使用门槛。