可以发现，我们将MMOP问题转换成一个双目标优化问题，当f(x)找到最优解，后半部分为0，可以通过找到使得后半部分接近0时的邻域信息进行随机选取。

当我们找到最优解的时候，可以发现这个双目标优化问题变成了

由此可以知道，在这个双目标优化问题中的最优解就是MMOP问题中的最优解。

对于参数$\eta$是来平衡决策变量和目标函数的，当$\eta$越大意味着种群的选择压力越大。

在代码中我们也可以发现$\eta$也是随着程序运行而增加的。

$currentFes = currentFes + NP（NP表示种群规模，其实就是计算次数）$

对于复杂的函数（可能具有大量的局部最优解），MOMMOP的效果并不好，我认为有以下原因：

（1）种群收敛速度太快，导致收敛到的往往是局部最优。也就是找到的BestOFV不是全局最优。

（2）种群多样性不足，在MOMMOP中主要采用差分进化和非支配排序，并没有更深的优化种群的多样性。

改进策略1：

针对种群的多样性不足，我想根据目前的当前的最优（BestOFV）周围设置一个邻域生成一定数量的随机数，再进行搜索机制，这样既可以保证峰值周围的种群可以更好的收敛到最高点，也可以保证种群的多样性。

For i = 1 to NP do
	BestOFV = 当前最优
	求解各个决策变量之间的距离（x to x）
	求解每个个体与它最近个体的平均距离（最近是多近给个阈值）
	根据平均距离设置一个邻域（左右两边）
	根据邻域生成一定数量的种群合并到父群中去
	执行相应的搜索机制，判断当前的最优BestOFV。更新BestOFV
end

对于搜索后期建议采用CMA-ES，因为他有较好的局部搜索能力

基于聚类的思想