在实践中，工程和决策问题很少仅依赖单一的性能指标。通常需要同时满足多个目标，而在一个标准上取得优势往往意味着要在另一个标准上做出妥协。多目标优化为表达相互冲突的需求并在复杂系统中指导决策提供了正式的方法[1]。例如，在汽车设计中，需在燃油消耗和排放量与成本、安全性和操控性之间找到平衡；在供应链规划中，降低运营成本可能会与交付可靠性、服务质量或客户满意度产生冲突。
这类固有的权衡使得多目标优化成为优化和计算智能领域中的核心问题。虽然同时处理多个目标的概念由来已久，但该领域直到20世纪70年代初才开始形成系统化的研究体系。此后，它逐渐发展成为一个拥有专门研究群体、相关会议、期刊以及持续方法论和应用进展的成熟领域。
在多目标优化中，核心理念是帕累托最优性，即如果一个可行解在任何一个目标上都无法得到改进，而又不会导致其他至少一个目标的质量下降，那么该解就是帕累托最优的。这一理念是许多多准则决策分析和决策制定方法的基础，已被广泛应用于工程、经济、管理以及其他需要做出决策的领域[1]、[2]。
由于各目标往往存在冲突，因此优化的目标并非单一的最优解，而是一组相互平衡的折中解，这类解具有帕累托支配性，构成了目标空间中的帕累托前沿。传统的标量化方法会将问题转化为一个或多个单目标子问题。例如，加权求和法和加权切比雪夫法能够找到帕累托最优解，但通常每次运行或每种权重设置下只能得到一个解。进化多目标优化则显得更具优势，因为通过单次基于种群的迭代就能同时近似出多个帕累托解，这正是那些希望探索多种不同权衡方案的实践者所期望的[3]。
在进化多目标优化中，最常见的两个问题是如何施加选择压力以及如何维持多样性。在该领域中具有代表性的方法有NSGA-II和MOEA/D[4]、[5]。NSGA-II通过快速的非支配排序和保持拥挤距离的方式来管理种群，而MOEA/D则是通过将任务分解为相互协作的单目标子问题来实现种群管理。在实际应用中，MOEA/D的分解方式较为灵活，能够充分利用高效的单目标运算符，而NSGA-II则因其概念简单且调整难度相对较低而一直广受欢迎。
基于分解的方法的搜索质量在很大程度上取决于子问题的分布情况以及候选解与这些子问题的关联程度，这些因素直接决定了算法能否保持良好的解集分布[5]。后续的研究试图结合基于支配关系和基于分解的结构各自的优点。一个典型的例子是NSGA-III，它利用一组预先指定的参考点来控制多目标空间中解的分布，从而用于环境选择过程[6]；这些参考点在概念上类似于MOEA/D中的搜索方向或单目标子问题。
基准问题在分析和比较进化多目标算法中也起着重要作用[7]、[8]、[9]。DTLZ和WFG系列问题是其中最受欢迎的，主要是因为它们可以适配任意数量的目标，因此非常适合用于多目标研究。DTLZ问题将位置变量和距离变量区分开来，使得帕累托解集位于决策空间中结构较为清晰的区域，便于进行有针对性的评估。后来的设计则引入了更为不规则的帕累托解集几何结构[9]，以在更复杂的条件下考验算法性能，这些理念后来也被应用到多目标优化领域[10]。
随着目标数量的增加，以及出现多模态性、偏差、分离的前沿、退化现象、较差的可扩展性或复杂的帕累托解集形状等问题，优化难度会迅速上升[11]、[12]。在这种情况下，基于支配关系的选择机制可能会失效，因为种群中很大一部分解都是彼此非支配的，此时要既找到真正的最优解集，又保持解集的代表性分布就变得更加困难[13]、[14]、[15]、[16]、[17]。
越来越多的研究致力于探索借助学习机制来提升多目标及大量目标进化搜索的适应性。强化学习已被用于选择运算符、管理运算符组合，以及根据收敛性、多样性和可行性等指标通过种群状态和奖励信号来调整搜索行为。最近，基于大型语言模型的技术也被用来实现运算符的自动设计、算法配置以及高级搜索控制。这些努力共同标志着多目标优化正朝着自适应、由学习引导的方向发展[18]、[19]。然而，大多数此类方法仍停留在运算符选择、配置、替代模型构建或自动运算符生成层面。SNN-RET则打破了这一传统模式，它嵌入了一种由脉冲信号驱动的膜状态机制，这种机制的神经放电模式可直接参与候选解的生成，并根据帕累托生存规则和多样性贡献程度得到强化。
本文的目的并非提出另一套基准测试问题，而是介绍SNN-RET——一种用于多目标及大量目标优化的脉冲神经网络优化框架，它具备基于参考值的环境选择功能和基于湍流的恢复机制。该方法结合了自适应的脉冲驱动搜索、基于参考值的种群结构构建以及多样性恢复机制，从而在加强搜索能力的同时保持具有代表性的折中解。为了验证其有效性，SNN-RET在现有的基准测试问题上进行了测试，并与NSGA-II、NSGA-III、U-NSGA-III、SPEA2、RVEA和OMOPSO等代表性进化算法进行了比较[4]、[6]、[20]、[21]、[22]、[23]。实验旨在验证该算法在目标维度增加和问题复杂度提升的情况下，是否仍能保持收敛性与多样性之间的良好平衡。
本文的其余部分结构如下：第2节介绍了多目标优化、帕累托支配性、性能指标以及本研究所使用的主要进化算法的相关背景知识。第3节阐述了所提出的SNN-RET框架，包括脉冲驱动搜索机制、基于参考值的环境选择、基于湍流的恢复机制以及计算复杂度分析。第4节介绍了实验设置、参数配置、在二目标、三目标及大量目标基准问题上的比较结果，以及相关的统计分析和消融实验结果。第5节总结了我们的研究发现，指出了目前的局限性，并提出了未来研究的方向。
