采用基于指标和分解的混合进化方法生成自动摘要

《Knowledge-Based Systems》：Generating automatic summaries with an indicator and decomposition-based hybrid evolutionary approach

本文提出了一种结合指示符和分解策略的混合进化算法（IDHEA），用于解决多文档抽取式通用摘要问题。实验表明，IDHEA在HV、IGD、DIP和SC等多目标优化指标上均优于现有方法（IBEA、MOEA/D），并在ROUGE-2和ROUGE-L摘要质量评估中显著提升，验证了混合策略的有效性。

　　近年来，多目标优化领域在多个现实问题中的成功应用下得到了显著的发展。在该领域中，两个主要的趋势是基于指标的搜索策略和基于分解的搜索策略。然而，这些搜索策略的性能取决于所要解决的具体问题。在自动摘要的背景下，将这些技术进行混合是一个有趣且具有挑战性的提议，旨在提高性能。为此，设计、实现并测试了一种基于指标和分解的混合进化算法（IDHEA），用于解决自动摘要问题。所提出的混合多目标方法整合了基于指标和分解技术的基本原理，以解决这一特定问题。实验使用了文档理解会议（DUC）数据集进行，性能评估通过多目标指标如超体积、倒置世代距离、理想点距离和集合覆盖来进行，而摘要质量则通过回忆导向摘要评估（ROUGE）指标进行。所提出的方案在多目标评估中优于标准算法，并且在摘要质量方面改进了现有科学文献中的结果。

在科学文献中，存在多种多目标优化搜索策略。其中一种是基于指标的搜索策略，它使用一个性能指标，称为指标。基于指标的搜索允许灵活地整合偏好信息。另一种多目标搜索策略是基于分解的策略。该策略围绕着将多目标问题分解为一组标量优化子问题。随后，这些子问题通过考虑其相邻子问题的信息进行优化。这些搜索策略可以作为多目标优化方法应用，其性能可以通过多目标指标如超体积、倒置世代距离、理想点距离和集合覆盖等进行评估。这些搜索策略的有效性取决于所要解决的问题，因此，混合不同的搜索策略是一个有趣且具有挑战性的想法。混合方法将利用不同搜索策略的强项，减少其弱点，从而提高多目标优化方法的性能。事实上，一些类型的方案已经在科学文献中出现，使得混合成为热门话题（参见例如文献[9]和[10]）。

近年来，越来越多的方案将多目标优化应用于自动摘要的各种挑战中。这些问题被构架为涉及多个目标函数的优化问题，需要同时优化。这些自然语言处理任务具有重要性，因为它们允许用户显著减少要处理的信息量。文献中存在不同的摘要问题，其中一种是多文档抽取式通用摘要。这种摘要不依赖于任何用户信息。此外，在抽取方法中，生成的摘要由输入文档中的文本句子组成。相反，生成式摘要方法，特别是基于大型语言模型（LLM）的方法，旨在生成新的句子，这些句子可以对信息进行改写和综合，这些信息可能不存在于原始文本中。然而，这些方法通常需要大量的计算资源用于训练和推理，这限制了它们的广泛应用。此外，一个主要的缺点是它们可能会产生幻觉，即看似合理但错误或脱离语境的陈述。这影响了生成摘要的可靠性，因此在需要严格事实准确性和完整可追溯性的场景中可能不适用。就问题建模而言，内容覆盖和冗余减少是两个最广泛使用的标准。前者涉及封装多文档集合的主要内容，后者则专注于消除摘要中的冗余句子。

本文中，设计并实现了一种基于指标和分解的混合进化算法（IDHEA），作为解决多文档抽取式通用摘要问题的多目标优化方法。基于指标和分解的搜索策略已被分析并结合，形成了一种混合的优化算法，以同时优化内容覆盖和冗余减少的目标函数。所提出的混合化包括三个子种群，其中两个基于指标和分解，还有一个混合子种群，这些子种群会定期同步。实验使用了DUC数据集进行。性能评估考虑了多目标指标如超体积、倒置世代距离、理想点距离和集合覆盖。此外，生成摘要的质量通过ROUGE指标进行评估。本文的主要贡献包括：

1. 设计、实现并应用于解决自动摘要问题的新型混合多目标优化方法。
2. 将基于指标和分解的搜索策略进行调整并有效整合，采用问题感知的算子来提高解决方案的质量和适应性。
3. 使用多个多目标评估指标对IDHEA进行了广泛性能分析，包括超体积、倒置世代距离、理想点距离和集合覆盖。
4. 通过DUC数据集和ROUGE指标对生成摘要的性能与其它作者的单目标和多目标方案进行了比较，以确保全面的比较和在内容覆盖和冗余减少方面的有效性。

本文的结构如下。在第2节中，回顾了相关工作。第3节描述了问题陈述。在第4节中，描述了所提出的混合算法。第5节包含了实验结果。最后，在第6节中，介绍了结论。

在这一节中，分析了文献中存在的一些混合多目标优化算法。可以观察到，之前没有任何混合方案涉及自动摘要问题。其次，回顾了科学文献中为解决自动摘要问题提出的进化算法。可以发现，其中大多数是单目标优化方案，没有混合方案。

首先，介绍考虑基于指标和分解的搜索策略的混合方案。基于R2指标和分解的通用多目标粒子群优化器（R2-MOPSO）在文献[17]中提出。R2-MOPSO结合了基于指标和分解的框架，采用R2指标来更新粒子群的全局最佳领导者，而个人最佳领导者则基于分解进行更新。多策略进化算法（PMEA）在文献[18]中提出。PMEA保持三个不同的种群，以并行的方式，基于分解（采用惩罚边界交点方法PBI）、ε指标和基于移位的密度估计。此外，该算法使用消息传递接口来促进这些不同策略之间的信息共享。以类似的方式，提出了一个混合进化算法（HEA-DP）在文献[19]中。HEA-DP的两个种群结合了ε指标和分解策略的优势。繁殖策略考虑了目标空间的特点，并从两个种群中选择父母以进行全面探索。基于分解和指标的多目标框架（IBMOEA/D）在文献[9]中提出。IBMOEA/D应用了分解策略来推进工作种群，而基于二进制质量的ε指标选择则用于保持外部种群。

其次，分析混合了基于指标和支配策略的方法。文献[20]中提出了一个修改的原始IBEA（mIBEA）方案。在该方案中，基于帕累托支配的组件用于选择解决方案。mIBEA应用了支配策略的排名方法，在基于超体积差（HD）的指标中用于排除每一代中的支配解。文献[21]中引入了基于支配和指标的多目标进化算法（DI-MOEA）。DI-MOEA是为了快速计算帕累托前沿的分布良好近似值而开发的。为此，设计了一个混合搜索策略，以结合支配和指标方法的好处。还提出了一个基于帕累托和贪婪指标的混合多目标进化算法在文献[22]中。该方法扩展了非支配排序遗传算法（NSGA-III），通过数学变换。这些修改涉及随机选择参考点，以及一个基于指标的程序用于选择或排除这些变换。

最后，描述了混合了基于分解和支配策略的方案。文献[23]中混合了NSGA-II与MOEA/D。这种混合（NSGA-II-MOEA/D）允许将问题分解为多个单目标问题，使用切比雪夫方法。这样，所考虑的局部搜索算子具有较低的计算成本。文献[24]中提出了一个基于约束的MOEA/D（MOEA/D-ACDP）方案。该系统基于约束角度支配，并使用了解决方案的角度信息和可能的解决方案比例，以调节其支配关系。因此，所提出的MOEA/D基于切比雪夫方法，可以同时保持种群的异质性、收敛性和有用性。文献[25]中探索了不同的多臂老虎机基于超启发式（MOEA/DD）。该框架结合了帕累托支配、聚合函数和子区域，以利用两种方法的优势。文献[26]中结合了PBI方法和基于参考的NSGA-II（PBI-R-NSGA-II）。使用PBI基于的距离，结合支配策略的概念，使得能够识别收敛的解决方案。此外，这种NSGA-II的修改能够获得特定区域。文献[27]中提出了一个基于分解和指标的多目标变量邻域下降算法（VND/D）。该方法通过一组均匀分布的权重向量进行问题分解，使用切比雪夫方法。另一方面，基于支配的搜索策略采用了一种启发式初始化方法和基于排名和拥挤距离的外部档案工具。文献[28]中开发了一个基于进化信息的框架（IIMS）。该框架结合了基于场景支配原则的进化算法，NSGA-II，和基于分解和切比雪夫方法的MOEA/D，以构建两个整合算法。最后，文献[10]中提出了一个两阶段的混合MOEA（HLMEA）。为了加快局部搜索的收敛速度，使用了一个具有自适应因子的遗传算子，同时环境选择保持了种群的多样性。此外，在每个子种群中考虑了一种聚类方法，以构建每个个体的配对池。

综上所述，表1总结了关于混合多目标优化算法的相关工作，按之前分析和分类的混合方法顺序排列。该表突出了IDHEA与其他方法在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、同步机制和子种群协作方面的差异。结论是，没有方案开发出一种混合方法，该方法进化三个子种群，其中两个基于HD指标和分解搜索策略，还有一个混合子种群。此外，没有方案开发出一种同步方法，如所提出的。另外，据作者所知，自动摘要问题尚未被任何混合多目标优化方法之前解决。

表1：关于混合多目标优化算法的相关工作概述。

表1中展示了在DUC数据集上进行的实验和评估，以及IDHEA与其他方法的比较。该表突出了IDHEA在混合结构、