采用两阶段框架的方式来处理大规模多目标优化问题
第一阶段，采用多任务优化策略和双向搜索策略，它将多目标问题改编为决策空间中的多任务问题，以增强收敛性
利用双向搜索策略与MFEA相结合，将多目标问题转化为多任务问题
第二阶段，提出的算法将多任务优化应用到基于目标空间中的参考点的一系列子问题上()
提高多样性，将多任务处理应用于多目标优化问题的许多子问题
可以分为以下三个不同的类别
决策变量分析方法，用于减少大规模的搜索空间
这两种方法的区别在于，MOEA/DVA转化为一组子多目标优化问题，而LMEA则针对原始问题进行搜索。
基于性能指标
SMS-EMOA和HypE采用超体积测量方法
多任务优化的目的是并行地找到所有问题的最优解，单个个体只需要关心它最擅长的任务，而多目标优化则是寻找一个面向所有问题的折衷的解（Pareto最优解）
在多目标优化中认为【2、3、4、5】会优于【1、6】，但在多任务优化中会认为【1、2、5、6】优于【3、4】。因为【5、6】在任务1上表现很好，【1、2】在任务1上表现很好，不关心它们在其他任务上的表现如何。
行1：初始化
行3：计算每个任务的任务排名，以及每个个体Pi的标量适应度、技能因子
在MFEA中，父代之间的交配并不随机，它们会倾向与技能因子相同的进行交配，而对于技能因子不同的两个个体，它们之间交配的概率由变异概率mt决定
此处第5行代码和第8行代码为什么要把其他的适应度设置为无穷大？
对于那些未对应到当前个体技能因子的任务，它们的解决方案效率被认为是最差的。为了防止这个个体在未来的进化过程中被选中来对那些非对应任务进行优化
算法2有什么用？
实现更高效的搜索和优化
参考文献：LuChen,HandingWang&WenpingMa,"Two-stagemulti-taskingtransformframeworkforlarge-scalemany-objectiveoptimizationproblems",OriginalArticle,OpenAccess,Published:17February2021,volume7,pages1499–1513,2021