质量多样性的问题解决优势能否在无显式多样性维护下获得？

当使用质量多样性 (Quality Diversity, QD) 优化来解决困难探索或欺骗性搜索问题时，我们假定多样性具有外在价值。这意味着多样性有助于我们达成目标，但其本身并非目标。在这些领域中，实践者常将其 QD 算法与单目标优化框架进行基准比较。本文认为，正确的比较应与\emph{多目标}优化框架进行。这是因为单目标优化框架依赖于子目标的聚合，可能导致对自动维持多样化种群至关重要信息的减少。为促进质量多样性与多目标优化间的公平比较，我们提出一种利用降维来自动确定个体行为描述符集合及个体待解目标集合的方法。利用前者，可使用标准质量多样性优化技术生成解；利用后者，可使用标准多目标优化技术生成解。这使得这两类算法间可进行同级比较，而无需为促成比较进行领域与算法特定的修改。