多目标优化(MOO)是指多个相互冲突的目标同时进行优化，旨在提供高效、全面的油藏管理(RM)解决方案。多目标生产优化问题由于作业难度大、成本高而代价昂贵。代理辅助进化算法(SAEAs)通过设计计算成本较低的函数来逼近每个目标函数，已被证明是解决昂贵问题的有效方法。同时，优化过程涉及到大量的决策变量。然而，由于维度的诅咒，构建高质量的代理模型变得非常困难。特征基础上,提出了一种有效的多目标优化框架称为SA-RVEA-PCA有效地处理大规模和计算昂贵的基于仿真的优化问题,包括三个部分:1)给定一组仿真结果,高斯过程(GP)模型基于主成分分析(PCA)为每个目标函数训练,这样代理模型可以更准确地指导优化。2)采用最近发展的参考向量引导进化算法(RVEA)作为多目标优化算法。3)利用GP给出的不确定性信息和RVEA中提出的角度惩罚惩罚(APD)对代理模型进行更新。根据我们所知，该算法应用于一个基准函数，以及MOO在合成油藏模型中的两个典型应用。结果表明，该方法能够提供更全面、更有效的RM，且具有更高的收敛速度。

https://doi.org/10.1016/j.petrol.2020.107192