در این مقاله، چارچوبی با نام DGD-MOEA/D ارائه می‌شود که با هدف توسعه‌ی یک MOEA/D تطبیقیِ آگاه از چگالی طراحی شده است. ایده‌ی اصلی آن است که بازخورد چگالی جمعیت در فضای هدف، به‌صورت درون‌حلقه‌ای به سه ماژول کلیدی MOEA/D ــ یعنی تجزیه‌ی زیربرخوردها، گراف همسایگی و سیاست انتخاب/جایگزینی ــ تزریق شود. برای این منظور، در انتهای هر چند نسل، الگوریتم‌های DBSCAN یا HDBSCAN روی نقاط جمعیت در فضای هدف (یا فضای مشترک هدف/تصمیم) اجرا می‌شوند تا خوشه‌ها، نقاط هسته، نقاط مرزی و برآورد چگالی محلی استخراج گردد. سپس بر مبنای این بازخورد: در نواحی پرتراکم، بردارهای وزنِ بسیار نزدیک به هم به‌صورت نرم ادغام یا بازپخش می‌شوند تا از ازدحام و تکرار زیربرخوردها جلوگیری شود؛ در نواحی کم‌پوشش، بردارهای وزن جدید تزریق و/یا وزن‌های موجود جابه‌جا می‌شوند تا پوشش جبهه در نواحی کم‌چگالی بهبود یابد؛ اندازه و ساختار همسایگی به‌طور تطبیقی و متناسب با چگالی تنظیم می‌گردد؛انتخاب و جایگزینی افراد با ترکیبی از برازندگی و چگالی انجام می‌شود تا توازن میان اکتشاف و بهره‌برداری کنترل شود. نتایج آزمایش‌ها روی خانواده‌های ZDT، DTLZ، WFG و همچنین مسائل چندمدی چندهدفه در ابعاد ۲ تا ۱۵ هدف نشان می‌دهد که DGD-MOEA/D نسبت به الگوریتم‌های پایه‌ای مانند MOEA/D-DE، MOEA/D-ANA، MaOEA/D-AEW و NSGA-III، به‌طور معنادار شاخص Hypervolume را حدود ۵ تا ۱۲ درصد افزایش و شاخص IGD را حدود ۹ تا ۲۶ درصد کاهش می‌دهد. علاوه‌براین، پوشش نواحی کم‌چگالی جبهه‌ی پَرِتو و نرخ بازیابی مودها در مسائل چندمدی به‌طور محسوسی بهبود یافته است. تحلیل پیچیدگی زمانی نشان می‌دهد که سربار خوشه‌بندی درون‌حلقه‌ای با انتخاب تناوب بازتنظیم مناسب، در مقایسه با هزینه‌ی ارزیابی برازندگی در مسائل MaOO، در حد چند درصد باقی می‌ماند. مجموعه‌ی این نتایج نشان می‌دهد که اتصال مستقیم و برخطِ برآورد چگالی به تجزیه و توپولوژی، مسیری مؤثر برای ارتقای همزمان تنوّع و همگرایی در الگوریتم‌های تکاملی چندهدفه فراهم می‌کند.

MOEA/D؛ تجزیه تطبیقی؛ DBSCAN؛ HDBSCAN؛ خوشه‌بندی مبتنی‌بر چگالی؛ انتخاب آگاه از چگالی؛ گراف همسایگی تطبیقی؛ Hypervolume؛ IGD؛ مسائل چندمدی (MMOP).