Learning From a Stream of Nonstationary and Dependent Data in Multiobjective Evolutionary Optimization
Multiobjective optimization problems（MOP）多目标优化问题
现实生活中，我们往往会遇到一些两个（或多个）目标冲突的优化问题，这种情况下，我们往往不能找到同时优化所有目标的独特解决方案。
continuous mop
经研究观察表明，在温和平滑的情况下，连续MOP的pareto set是分段连续m-1维流形，而现在的大多数MOEA都没有明确的利用这种规律性，除了一些隐含利用规则的局部搜索。然而，经过实验表明，基于这种规律的实验方法可以有效的应对连续MOP的可变联系。
Pareto optimal 最优帕累托
如果我们不能使两个目标同时达到更优，我们最起码不能让其中任意一个解变得更糟。那么此时我们得到的解就被称为“最优帕累托解”，也是决策/目标空间里所有最优权衡的集合。
Evolutionary Algorithm 进化算法
在过去三十多年的研究里，人们已经发现MOEA-多目标进化算法在探索多目标问题上有巨大的前途。MOEA在一次运行中就可以得到一组近似Pareto set（为了逐步逼近Pareto前沿）,因此如何创建一个有效的多目标进化算法更是重中之重。
External population 外部人口
由于有限的规模，当前种群可能无法存储在搜索期间找到的一些具有代表性的解决方案。于是，在MOEAs中，通常使用外部人口（也称为外部存档）来记录搜索期间发现的非支配解决方案。同时需要对外部人口保持更新。