偏好优化与多候选方案组

在多目标演化中，偏好优化把决策者的偏好作为搜索与筛选的引导信号，而不是等搜索结束之后再做一次性打分。它带来两个结构性改变：一是不提前把多个目标压缩成单一标量得分；二是不只交出一个“最优解”，而是输出一组在权衡结构上彼此有差异的候选方案，把最终取舍权保留给领域专家。

为什么需要候选方案组

多目标问题中并不存在天然唯一的“最优解”。当目标彼此冲突时，一个解在某个目标上的改善往往要以另一个目标的恶化为代价，因此可比较的解会连成一条理想权衡前沿。如果提前用一个加权和把目标合并，等价于在尚不清楚真实偏好的情况下，替决策者选定了一个隐含的折中点；一旦现实约束或偏好发生变化，这个解可能立刻失去价值。偏好优化要做的，是把“人希望往哪个方向看”编码进搜索过程，让搜索资源集中在真正被关心的区域。

偏好如何进入搜索

• 参考点：给出一个理想的目标取值组合，引导种群向该方向逼近。
• 目标优先级：声明哪个目标更不能被牺牲，用于非支配排序或淘汰判断。
• 权重区间：不是固定权重，而是一段可接受的权重范围，允许多种折中同时成立。
• 交互式反馈：由专家在多轮迭代中逐步给出偏好，搜索随之收窄。

这些形式的功能是一致的：收窄关注区域、提高搜索效率，而不是提前把整个解空间坍缩成一个点。

候选方案组的核心：差异性保留

候选方案组的价值不在于“数量多”，而在于组内方案在目标权衡上分布分散：偏保守端、偏激进端与折中段各有代表，覆盖不同的折中模式。如果只是在同一个解附近给出若干微扰副本，它们无法支撑任何有意义的取舍判断。

差异性也不会自然维持。演化过程若没有机制干预，会自发向当前最优区域收敛，候选组最终退化为单一答案的重复表达。因此需要分布维护、拥挤度控制或归档集策略等机制，把“分散”作为显式保护目标之一。

输出形态因此从“单一最优解”转变为“可解释、可比较的候选方案组”：专家可以结合领域知识与现实约束做出选择，并把选择结果作为新一轮反馈送回搜索过程。