Multi-objective beetle antennae search algorithm
在工程优化问题中，通常需要同时优化高度非线性约束下的多个目标和大量变量。寻找非线性多目标优化问题的Pareto前沿需要大量的计算工作。基于群体智能的元启发式算法已成功地应用于多目标优化问题的求解。近年来，提出了一种基于个体智能的甲虫触角搜索算法。该算法被证明是计算效率更高。因此，我们将该算法推广到求解多目标优化问题。提出的多目标甲虫天线搜索算法进行了测试，使用四个精心挑选的基准函数，并与其他多目标优化算法的性能进行了比较。结果表明，提出的多目标甲虫触角搜索算法具有较高的计算效率和令人满意的精度。
2020-08-05 cs.NE math.OC
Fairly Constricted Multi-Objective Particle Swarm Optimization
在粒子群优化算法（PSO）中使用指数平均动量（EM）比普通PSO算法具有更大的优势。在单目标设置中，它导致更快的收敛和避免局部极小值。自然，人们会期望EM的相同优点延续到多目标设置。因此，我们扩展了最先进的多目标优化（MOO）求解器，SMPSO，通过将EM在其中。因此，我们开发的数学形式主义的收缩公平性，这是在扩展的SMPSO算法的核心。建议的求解器匹配的性能SMPSO在ZDT，DTLZ和WFG问题套件，甚至在某些情况下优于它。
2022-11-13 cs.NE math.OC
NSGANetV2: Evolutionary Multi-Objective Surrogate-Assisted Neural Architecture Search
Michigan State University（密歇根州立大学）
在本文中，我们提出了一个有效的NAS算法，用于生成特定于任务的模型，在多个竞争目标下具有竞争力。它包括两个代理，一个在体系结构级别，以提高样本效率和一个在权重级别，通过一个超网，以提高梯度下降训练效率。在标准基准数据集（C10，C100，ImageNet）上，生成的模型（称为NSGANetV 2）与现有方法的模型相匹配或优于现有方法的模型，搜索的样本效率更高。此外，我们证明了所提出的方法的有效性和通用性六个不同的非标准数据集，例如STL-10，Flowers 102，牛津宠物，FGVC飞机等。在所有情况下，NSGANetV 2提高了最先进的（在移动设置下），这表明NAS可以是一个可行的替代传统的迁移学习方法在处理不同的情况下，如小规模或细粒度的数据集。代码可在https://github.com/mikelzc1990/nsganetv2上获得
2020-07-20 cs.CV cs.LG cs.NE
Solving MKP Applied to IoT in Smart Grid Using Meta-heuristics Algorithms: A Parallel Processing Perspective
南非的电力价格不断上涨，以及由于电网过载而造成的迫在眉睫的甩负荷威胁，导致了对需求侧管理（DSM）设备（如智能电网）的需求。为了使智能电网发挥最大作用，需要优化其能源管理控制器（EMC）系统。本文研究了DSM和多背包问题（MKP）的当前解决方案，以发现常见DSM模型的现状。其他NP难问题的解决方案，在迭代离散花Polarization算法（iDFPA）的形式，以及未来可能的可扩展性选项的形式，通过并行优化也被建议。
2020-06-29 cs.NE
Towards Fairness-Aware Multi-Objective Optimization
East China University of Science and Technology（华东理工大学）；Northeastern University（东北大学）；Bielefeld University（比勒费尔德大学）；University of Surrey（萨里大学）
近年来，公平感知机器学习在减轻决策中的不公平或歧视方面得到了快速发展，应用范围广泛。然而，公平感知的多目标最优化问题在现实生活中确实很常见，如公平资源分配问题和数据驱动的多目标最优化问题，却很少受到关注。本文旨在从公平性的角度阐明和拓宽我们对多目标最优化的理解。为此，我们从讨论多目标最优化中的用户偏好开始，然后探索其与机器学习和多目标最优化中的公平性的关系。在此基础上，给出了公平性感知多目标优化的典型案例，进一步阐述了公平性在传统多目标最优化、数据驱动优化和联邦优化中的重要性。最后，公平意识的多目标最优化的挑战和机遇。我们希望这篇文章能够为在优化的背景下理解公平性迈出一小步，并促进对公平感知多目标最优化的研究兴趣。
2022-07-22 cs.AI cs.LG cs.NE
Introduction and Ranking Results of the ICSI 2014 Competition on Single Objective Optimization
本技术报告包括ICSI 2014年单目标优化竞赛的介绍和排名结果。
2015-01-09 cs.NE
A Review of Evolutionary Multi-modal Multi-objective Optimization
多模态多目标优化的目的是在目标空间中找到所有的Pareto最优解，包括重叠的解。自2005年以来，演化计算社区一直在研究多模态多目标优化。然而，这是很难调查现有的研究在这一领域，因为他们已经独立进行，并没有明确使用术语“多模态多目标优化”。为了解决这个问题，本文回顾了现有的进化多模态多目标优化的研究，包括研究发表的名称是不同的“多模态多目标优化”。我们的审查还澄清了在这一研究领域的开放问题。
2020-09-28 cs.NE
Anytime Bi-Objective Optimization with a Hybrid Multi-Objective CMA-ES (HMO-CMA-ES)
我们提出了一个多目标优化算法，旨在实现良好的性能在广泛的问题。性能是根据超容量指标进行评估的。称为HMO-CMA-ES的算法代表了CMA-ES的几个新旧变体的混合，并由BOBYQA作为热启动进行补充。我们在最近引入的COCO框架（比较连续优化器）的双目标问题套件上对HMO-CMA-ES进行了基准测试，该问题套件由55个可扩展的连续优化问题组成，该问题由2016年黑盒优化基准测试（BBOB）研讨会使用。
2016-05-09 cs.NE
Push and Pull Search Embedded in an M2M Framework for Solving Constrained Multi-objective Optimization Problems
在求解约束多目标优化问题时，多目标进化算法的一个关键问题是如何平衡工作种群的收敛性和多样性。
2019-06-02 cs.NE
Evolutionary Diversity Optimization Using Multi-Objective Indicators
进化多样性优化的目标是计算一组不同的解决方案，其中所有解决方案都满足给定的质量标准。通过本文，我们将进化多样性优化和进化多目标优化结合起来。我们展示了如何流行的指标，经常使用的多目标优化领域可以用于进化多样性优化。我们的实验研究不断发展的TSP实例和图像的不同集合，根据各种功能表明，两个最突出的多目标指标，即超体积指标和倒置的世代距离，提供了良好的结果，在可视化和各种多样性指标。
2018-11-16 cs.NE
A Decomposition-based Large-scale Multi-modal Multi-objective Optimization Algorithm
多模态多目标优化问题是一类特殊的多Pareto子集多目标优化问题。本文在广泛应用的MOEA/D算法的基础上，提出了一种高效的多模态多目标优化算法。在我们提出的算法中，每个权重向量都有自己的子种群。通过清除机制和贪婪删除策略，我们提出的算法可以有效地保留等价的Pareto最优解（即，具有相同目标值的不同Pareto最优解）。实验结果表明，该算法在处理大规模多模态多目标优化问题时，能够有效地保持决策空间解的多样性。
2020-04-21 cs.NE
Transfer Learning Based Co-surrogate Assisted Evolutionary Bi-objective Optimization for Objectives with Non-uniform Evaluation Times
大多数现有的多目标进化算法（MOEAs）隐含地假设每个目标函数可以在同一时间内进行评估。一般来说。这在许多现实世界的优化方案中是站不住脚的，其中不同目标的评估涉及具有不同时间复杂度的不同计算机模拟或物理实验。针对这一问题，提出了一种基于代理辅助进化算法（SAEAs）的迁移学习方案.该方案采用协同代理来模拟快、慢目标函数之间的函数关系，并引入可迁移实例选择方法从快目标的搜索过程中获取有用的知识.我们的DTLZ和UF测试套件的实验结果表明，该算法是有竞争力的解决双目标优化的目标有不均匀的评价时间。
2021-08-30 cs.NE
The Firefighter Algorithm: A Hybrid Metaheuristic for Optimization Problems
本文提出了受消防员协作策略启发的混合元启发式算法 FFO，并在 24 个基准函数上与 13 种常用算法对比，证明其在适应度、执行时间和搜索空间覆盖上具有优越或可比的性能。
2024-06-01 cs.NE stat.AP
Multi-objective Differential Evolution with Helper Functions for Constrained Optimization
多目标进化算法在求解约束优化问题方面取得了巨大的成就。标准的多目标格式通常以同时最小化目标函数和约束违反程度为目标。提出了一种求解约束优化问题的多目标算法。新方法保持了两个标准目标：原始目标函数和约束违反度之和。但除此之外，还增加了四个目标。一种是基于可行规则。另外三个来自惩罚函数。本文对13个基准函数进行了初步的实验研究。一个简化版本的CMODE被应用于解决多目标优化问题。我们最初的实验结果证实了我们的期望，即添加更多的辅助函数可能是有用的。SMODE的性能与更多的帮助函数（四个或六个）比只有两个帮助函数。
2015-10-01 cs.NE
Alleviating Search Bias in Bayesian Evolutionary Optimization with Many Heterogeneous Objectives
多目标优化问题是现实世界中常见的问题，其目标具有不同的评价成本。这些问题现在被称为具有异构目标的多目标优化问题（HE-MOPs）。然而，到目前为止，只有少数研究报告，以解决HE-MOPs，其中大多数集中在一个快速目标和一个缓慢的目标的双目标问题。在这项工作中，我们的目标是处理具有两个以上的黑盒和异构目标的HE-MOPs。为此，我们开发了一种多目标贝叶斯进化优化方法，HE-MOPs利用不同的数据集上的廉价和昂贵的目标HE-MOPs，以减轻搜索偏差所造成的异质性评估成本评估不同的目标。为了最好地利用两个不同的训练数据集，一个与所有目标的解决方案，而另一个与那些只评估的快速目标，两个独立的高斯过程模型的构造。此外，一个新的采集功能，减轻对快速目标的搜索偏差的建议，从而实现收敛和多样性之间的平衡。我们证明了所提出的算法的有效性，通过测试广泛使用的多/多目标基准问题，其目标被假定为异质昂贵。
2022-08-25 cs.NE
Impacts of Single-objective Landscapes on Multi-objective Optimization
The University of Electro-Communications（电气通信大学）
该研究揭示多目标优化问题与其内嵌单目标问题的关联，通过分析两类网络结构，发现多数帕累托最优解可从单目标局部最优解获得，为多目标优化提供了新线索。
2026-08-05 cs.NE
Using External Archive for Improved Performance in Multi-Objective Optimization
它表明，使用一个外部的档案，纯粹用于存储的目的，可以带来实质性的好处，在多目标优化。本文提出了一种新的档案管理方案。新方案与NSGA-II算法相结合，解决两个多目标优化问题，它表明，这种组合给出了显着改善的Pareto最优解集。额外的计算工作，因为外部档案被发现是微不足道的目标函数时，是昂贵的评估。
2018-11-22 cs.NE
An Easy-to-use Real-world Multi-objective Optimization Problem Suite
虽然合成测试问题被广泛用于进化多目标优化算法的性能评估，它们可能包括不切实际的属性，这可能导致高估/低估。为了解决这个问题，我们提出了一个多目标优化问题套件，由16个有界约束的现实世界的问题。该问题套件包括各种问题的数量的目标，帕累托前沿的形状，和设计变量的类型。16个问题中有4个是多目标混合整数优化问题。我们提供了16个问题的Java，C和Matlab源代码，以便以现成的方式提供。我们研究了每个测试问题的近似Pareto前沿。我们还分析了六个代表性的进化多目标优化算法的性能对16个问题。除了16个问题，我们提出了8个约束多目标现实世界的问题。
2020-09-27 cs.NE
A Batched Scalable Multi-Objective Bayesian Optimization Algorithm
代理辅助优化算法是求解复杂多目标优化问题的一种有效方法。然而，大多数现有的代理辅助多目标优化算法有三个主要缺点：1）不能很好地解决高维决策空间的问题，2）不能结合可用的梯度信息，3）不支持批量优化。这些缺点阻止了它们用于解决许多现实世界的大规模优化问题。本文提出了一种批量可扩展的多目标贝叶斯优化算法来解决这些问题。该算法使用贝叶斯神经网络作为可扩展的代理模型。在Monte Carlo dropout和Sobolov训练的支持下，该模型可以很容易地训练，并可以包含可用的梯度信息。我们还提出了一种新的批量超体积置信上限获取函数来支持批量优化。各种基准问题和实际应用的实验结果表明，该算法的效率。
2018-11-04 cs.NE
Design and classification of dynamic multi-objective optimization problems
在这项工作中，我们提供了一个正式的模型，可以出现在动态多目标优化问题，随着这些组件的分类不同的时间依赖性组件。四个主要的类被确定，对应于参数的影响，目标函数，以前的动态系统的状态，最后，环境的变化，这反过来又导致在线优化问题。为了说明的目的，为每一类别提供了例子-绝不是最具代表性的例子，也不是详尽无遗的例子。
2011-03-24 cs.NE
Do We Really Need to Use Constraint Violation in Constrained Evolutionary Multi-Objective Optimization?
约束破坏是设计求解约束多目标优化问题的进化多目标优化算法的基础。然而，在现实世界的黑盒优化场景中，约束违反是很难接近的，这并不罕见。现有的约束进化多目标优化算法的环境选择机制是建立在约束违背的基础上的，当约束函数的形式未知时，这些算法是否仍然有效还不清楚。考虑到这一点，本文选取了四个广泛使用的约束进化多目标优化算法作为基线，并开发了相应的变种，用一个清晰的值来代替约束违反。从我们的实验合成和现实世界的基准测试问题，我们发现，所选算法的性能没有显着影响时，约束违反不用于指导环境选择。
2022-05-28 cs.NE
An Improved Two-Archive Evolutionary Algorithm for Constrained Multi-Objective Optimization
约束多目标优化问题（CMOPs）在现实世界的工程优化场景中普遍存在。约束多目标优化的一个关键问题是如何在收敛性、多样性和可行性之间取得平衡。近年来提出的求解约束多目标优化问题的双存档进化算法（C-TAEA）是一种新的算法。然而，由于它的两个共同进化的档案之间的合作机制的简单实现，C-TAEA是挣扎时，解决问题的\textit{pseudo}帕累托最优的前沿，它不考虑约束，占主导地位的\textit{feasible}帕累托最优的前沿。在本文中，我们提出了一个改进的版本C-TAEA，被称为C-TAEA-II，具有改进的更新机制的两个共同进化的档案和自适应交配选择机制，以促进更好的合作，共同进化的档案。实验结果表明，所提出的C-TAEA-II的竞争力相比，五个有代表性的约束进化多目标优化算法。
2021-03-10 cs.NE
Evolutionary Bi-objective Optimization for the Dynamic Chance-Constrained Knapsack Problem Based on Tail Bound Objectives
现实世界中的组合优化问题往往是随机和动态的。因此，至关重要的是要以整体方法做出最佳和可靠的决策。本文考虑了动态机会约束背包问题，其中每个物品的重量是随机的，容量约束随时间动态变化，目标是在总重量超过容量的概率下最大化总利润.我们利用突出的尾部不等式，如切比雪夫的不等式，和Beschoff界近似的概率约束。我们的主要贡献是引入一个额外的目标，估计一个给定的随机解，仍然满足机会约束的最小容量界。这一目标有助于满足动态变化的随机问题。我们应用单目标和多目标进化算法的问题，并显示如何双目标优化可以帮助处理动态的机会约束问题。
2020-02-17 cs.NE
Evolutionary Multitasking for Single-objective Continuous Optimization: Benchmark Problems, Performance Metric, and Baseline Results
在这份报告中，我们提出了九个多任务单目标优化（MTSOO）的测试问题，每个问题都由两个需要同时解决的单目标优化任务组成。不同的测试问题之间的任务之间的关系是不同的，这将有助于有一个全面的评价MFO算法。期望所提出的测试问题能在MTSOO的研究领域中起到抛砖引玉的作用。
2017-06-12 cs.NE
Beetle Antennae Search without Parameter Tuning (BAS-WPT) for Multi-objective Optimization
甲虫触角搜索（BAS）是一种有效的元启发式算法的启发式甲虫觅食行为。该算法包含多个可调参数，现有结果仅限于求解单目标优化问题。本文的工作通过提供一种释放调整参数并能够处理多目标优化的变体，推动了BAS的研究。该方法通过归一化来简化原算法，并利用罚函数来挖掘不可行解，从而解决约束优化问题。进行了广泛的实验研究，结果表明所提出的方法来约束处理的有效性。
2017-11-07 cs.NE
An Unbounded Archive-based Transfer Strategy for Dynamic Multi-Objective Optimization with a Changing Number of Objectives
School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院）；Shenzhen ZTE Software Co., Ltd.（深圳市中兴软件有限公司）
针对目标数量变化的动态多目标优化，提出无界存档迁移策略UATS，通过重用历史非支配解提升环境变化后的恢复与适应性。
2026-09-24 cs.NE
Few for Many: Tchebycheff Set Scalarization for Many-Objective Optimization
City University of Hong Kong（香港城市大学）；Southern University of Science and Technology（南方科技大学）
本文提出了一种新的Tchebycheff集标量化方法，通过少量代表性解覆盖大量目标，以高效处理多目标优化问题。
2026-01-17 cs.AI cs.LG cs.NE
Dynamic Multi-Objectives Optimization with a Changing Number of Objectives
现有的动态多目标优化问题的研究主要集中在目标函数随时间变化的问题上，而目标数变化的动态多目标优化问题在文献中很少被考虑。当具有时间依赖的目标函数时，不是改变帕累托最优前沿/集合的形状或位置，而是增加或减少目标的数量通常导致帕累托最优前沿/集合流形的维度的膨胀或收缩。不幸的是，大多数现有的动态处理技术很难适应这种类型的动态。在本文中，我们报告了我们的尝试对解决动态多目标优化问题的目标数量不断变化。我们实现了一个新的双存档进化算法，同时保持两个共同进化的人口。特别是，这两个群体是互补的：一个更关注收敛性，而另一个更关注多样性。一旦环境发生变化，这两个种群的组成就会自适应地重构。此外，这两个群体通过交配选择机制相互作用。在各种基准问题上进行了全面的实验，这些基准问题具有随时间变化的目标数量。实验结果充分证明了该算法的有效性。
2017-02-17 cs.NE
Evolutionary Alternating Direction Method of Multipliers for Constrained Multi-Objective Optimization with Unknown Constraints
针对约束函数未知导致传统算法失效的问题，提出受ADMM启发的进化优化框架，将问题解耦为两个子问题并分配独立种群交替进化，实验证明其收敛更快且对Pareto前沿适应性更强。
2024-01-02 cs.NE
Solving Dynamic Multi-objective Optimization Problems Using Incremental Support Vector Machine
动态多目标优化问题的主要特点是优化目标函数会随时间或环境而变化。解决DMOP问题的一种有前途的方法是通过机器学习方法重用获得的Pareto最优集（POS）来训练预测模型。本文利用过去的POS对增量式支持向量机（ISVM）分类器进行训练，然后通过训练好的ISVM分类器对下一时刻要求解的DMOP的解进行筛选。ISVM分类器将产生高质量的初始种群，并且各种不同类型的基于种群的动态多目标优化算法可以受益于该种群。为了验证这一想法，我们将所提出的方法融入到三种进化算法中，即多目标粒子群优化算法（MOPSO）、非支配排序遗传算法II（NSGA-II）和基于规则性模型的多目标分布估计算法（RE-MEDA）。我们通过实验对这些算法进行了测试，实验结果表明了算法的有效性。
2019-10-19 cs.NE
pysamoo: Surrogate-Assisted Multi-Objective Optimization in Python
在过去的二十年里，人们已经做出了大量的努力来解决计算量大的优化问题，并且已经提出了各种将代理人纳入优化的优化方法。然而，大多数优化工具箱并不包含用于计算昂贵问题的现成算法，特别是与其他关键要求相结合，例如处理多个冲突的目标或约束。因此，缺乏合适的软件包已成为解决现实应用的瓶颈。所提出的框架，pysamoo，解决了现有的优化框架的这些缺点，并提供了多种优化方法来处理涉及耗时的评估功能的问题。该框架扩展了pymoo的功能，pymoo是一个流行而全面的多目标优化工具箱，并采用代理来支持昂贵的函数评估。该框架在GNU Affero通用公共许可证（AGPL）下可用，主要用于研究目的。有关pysamoo的更多信息，欢迎读者访问：anyoptimization.com/projects/pysamoo。
2022-04-12 cs.NE
Knowledge Transfer for Dynamic Multi-objective Optimization with a Changing Number of Objectives
针对目标数量变化的动态多目标优化问题，提出知识迁移动态多目标进化算法（KTDMOEA），通过扩张/收缩Pareto集合增强多样性，在13个基准上优于现有算法。
2023-06-19 cs.NE
A Framework to Handle Multi-modal Multi-objective Optimization in Decomposition-based Evolutionary Algorithms
多模态多目标优化是寻找尽可能多的（几乎）等价Pareto最优解。虽然基于分解的进化算法在多目标优化问题上具有良好的性能，但由于缺乏保持解空间多样性的机制，它们在多模态多目标优化问题上可能表现不佳。为了解决这个问题，本文提出了一个框架，以提高性能的分解为基础的进化算法的多模态多目标优化。我们的框架基于三个操作：赋值、删除和加法操作。一个或多个人可以被分配到同一个子问题，以处理多个等效的解决方案。在每次迭代中，基于子问题的目标向量将子问题分配给子问题，即，它在客观空间中的位置。将子问题与分配给同一子问题的解空间中的相邻子问题进行比较。六个基于分解的进化算法，我们的框架的改进版本的性能进行评估的各种测试问题的目标，决策变量，和等价的帕累托最优解集的数量。结果表明，改进后的算法性能明显优于原算法。
2020-09-30 cs.NE
The impact of objective interactions on the performance of massive objective optimization algorithms
研究目标数量增长及目标交互性质对算法性能的影响，采用诊断基准套件评估多种进化算法，发现问题特征显著影响算法性能，词法选择算法有优势且避免对预定义参考方向的依赖。
2026-07-16 cs.NE
Parametric Pareto Set Learning for Expensive Multi-Objective Optimization
City University of Hong Kong（香港城市大学）
本文提出PPSL-MOBO框架，利用超网络与LoRA结合贝叶斯优化学习参数到帕累托最优解的统一映射，实现无需重训练即可对新参数即时推断帕累托集合，高效解决昂贵参数化多目标优化问题。
2025-11-08 cs.NE
Niching Diversity Estimation for Multi-modal Multi-objective Optimization
小生境技术是进化多目标优化中一种重要且广泛应用的技术。它的应用主要集中在保持多样性和避免过早收敛到局部最优。近年来，一类特殊的多目标优化问题，即多模态多目标优化问题（MMOPs），开始受到越来越多的关注。在MMOPs中，目标空间中的解在决策空间中可能有多个逆像，这些逆像被称为等价解。由于等效解决方案是重叠的（即，占据相同的位置）时，标准的多样性估计器（例如拥挤距离）可能会选择其中之一而丢弃其他估计器，这可能会导致决策空间中的多样性损失。在这项研究中，提出了一个一般的小生境机制，使标准的多样性估计更有效地处理MMOPs。在我们的实验中，我们将我们提出的小生境多样性估计方法到SPEA 2和NSGA-II和几个MMOPs的性能进行评估。实验结果表明，提出的小生境机制显着提高SPEA 2和NSGA-II在各种MMOP的性能。
2021-01-31 cs.NE
Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation
多目标优化问题在现实世界的科学、工程和设计优化问题中普遍存在。目标函数是一个黑箱的情况并不少见，其评估通常涉及耗时和/或昂贵的物理实验。数据驱动的进化优化可以用来搜索一组非支配的折衷解决方案，昂贵的目标函数近似为一个代理模型。在本文中，我们提出了一个框架，实现批量数据驱动的进化多目标优化。它是如此普遍，任何现成的进化多目标优化算法可以应用在一个插件的方式。特别是，它有两个独特的组成部分：1）基于Karush-Kuhn-Tucker条件，流形插值方法，探索更多样化的解决方案，并沿着近似帕累托最优集的流形保证收敛; 2）批量推荐方法，通过并行评估多个样本来减少优化过程的计算时间。在136个具有不规则Pareto最优前沿形状的基准测试问题实例上对6个最先进的代理辅助EMO算法进行了实验，充分证明了该框架的有效性和优越性。特别是，我们提出的框架具有更快的收敛速度和更强的弹性，各种PF形状。
2021-09-12 cs.NE
Evolutionary Dynamic Multi-objective Optimization Via Regression Transfer Learning
动态多目标优化问题（DMOP）由于目标函数随时间变化而相互冲突，一直是一个有待解决的难题。近年来，迁移学习被证明是解决DMOP问题的一种有效方法。本文提出了一种新的基于迁移学习的动态多目标优化算法--基于回归迁移学习预测的动态多目标优化算法（RTLP-DMOA）。该算法的目标是产生一个优秀的初始种群，以加速进化过程，提高求解DMOP的进化性能。当检测到环境变化时，通过重用历史种群构建回归迁移学习预测模型，可以预测目标值。然后，在该预测模型的辅助下，选取一些具有较好预测目标值的高质量解作为初始种群，从而提高进化过程的性能。我们比较所提出的算法与三个国家的最先进的算法的基准函数。实验结果表明，该算法能显著提高静态多目标优化算法的性能，在收敛性和多样性方面具有较强的竞争力。
2019-10-22 cs.NE
Enhanced Optimization with Composite Objectives and Novelty Selection
多目标搜索的一个重要好处是它保持了候选人的多样性，这特别有助于欺骗性问题。然而，并非所有的多样性都是有用的：只优化一个目标而忽略其他目标的候选人很少有帮助。本文提出了一个解决方案：原来的目标被替换为它们的线性组合，从而将搜索集中在目标之间最有用的权衡。为了弥补多样性的损失，这种转变伴随着一种有利于新颖性的选择机制。在发现最小排序网络的高度欺骗性问题中，这种方法找到了更好的解决方案，并且比标准方法更快，更一致。因此，它是一个很有前途的方法来解决欺骗性问题，通过多目标优化。
2018-07-05 cs.NE
Smooth Tchebycheff Scalarization for Multi-Objective Optimization
City University of Hong Kong（香港城市大学）；Southern University of Science and Technology（南方科技大学）
针对多目标优化中现有方法计算复杂度高或理论性质不足的问题，提出基于平滑优化技术的轻量高效平滑Tchebycheff标量化方法，能找到所有有效权衡偏好的Pareto解且计算复杂度更低。
2024-07-23 cs.AI cs.LG cs.NE
What if we Increase the Number of Objectives? Theoretical and Empirical Implications for Many-objective Optimization
The University of Manchester（曼彻斯特大学）；Poznań University of Technology（波兹南理工大学）；University of Lille（里尔大学）；Centrale Lille（里尔中央理工学院）；Inria（法国国家信息与自动化研究所）；Martin-Luther-Universität Halle-Wittenberg（哈勒-维腾贝格马丁路德大学）
求解多目标优化问题的难度受待优化目标的数量影响。许多目标的存在通常会引入许多影响优化算法的选择/设计的挑战。本文从两个角度研究了这些挑战的驱动因素：（i）目标数量对问题特征的影响，以及（ii）应对许多目标的常用程序和算法的实际行为。除了审查各种驱动因素，本文通过量化一些驱动因素和/或通过对多目标NK景观和其他典型基准进行实验来验证这些驱动因素，从而做出理论贡献。然后，我们利用我们的理论和实证研究结果，得出实际的建议，以支持算法设计。最后，我们讨论了剩余的理论差距和机会，为未来的研究领域的多目标和多目标优化。
2021-06-06 cs.AI cs.NE
A multi-objective optimization framework for on-line ridesharing systems
拼车系统的最终目标是将没有车辆的旅行者与想要共享车辆的旅行者相匹配。一个很好的匹配可以找到那些谁有类似的行程和时间表。通过这种方式，每个骑手都可以在没有任何延迟的情况下获得服务，每个司机也可以在不偏离原始路线的情况下尽可能多地获得收入。我们提出了一种算法，利用基于地理的优化来解决在线拼车的多目标最优化问题。有必要将拼车问题作为一个多目标问题来解决，因为有一些重要的目标必须同时考虑.我们通过在北京拼车数据集上评估性能来测试我们的算法。仿真结果表明，BBO提供了有竞争力的性能相对于国家的最先进的乘车优化算法。
2020-12-07 cs.DM cs.NE cs.SY
Efficient Computation of Probabilistic Dominance in Robust Multi-Objective Optimization
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)（弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校（FAU））
现实世界的问题通常需要同时优化几个经常相互冲突的目标。这些多目标优化问题中的许多问题的特征在于其决策变量或目标函数中的大范围的不确定性，这进一步增加了优化的复杂性。为了应对这些不确定性，鲁棒优化被广泛研究，旨在区分候选解与由置信区间，概率分布或采样数据指定的不确定目标。然而，现有的技术大多没有考虑实际的分布或假设不确定性的均匀或高斯分布的实例。本文介绍了一种经验的方法，使一个有效的比较候选解决方案与不确定的目标，可以遵循任意分布。给定两个候选解进行比较，该算子计算一个解在每个不确定目标方面优于另一个解的概率。它可以替代现有优化技术（如进化算法）的标准比较算子，以发现具有多个不确定目标的问题的鲁棒解决方案。本文还提出了将各种不确定性，在著名的多目标问题，提供一个基准评估不确定性感知优化技术。所提出的比较算子和基准套件集成到现有的优化工具中，该工具具有多目标优化问题和算法的选择。实验结果表明，与现有技术相比，该方法在较低的开销下获得了较高的优化质量。
2019-10-18 cs.LG cs.NE stat.ML
Amino Acid Interaction Network Prediction using Multi-objective Optimization
蛋白质可以用氨基酸相互作用网络来表示。这个网络是一个图，其顶点是蛋白质氨基酸，其边是它们之间的相互作用。这种相互作用网络是蛋白质三维结构预测的第一步。本文提出了一种多目标进化算法进行交互作用预测，并采用蚁群概率优化算法确定交互作用。
2014-01-15 cs.CE cs.NE
A Federated Data-Driven Evolutionary Algorithm for Expensive Multi/Many-objective Optimization
East China University of Science and Technology（华东理工大学）；University of Surrey（萨里大学）
数据驱动优化在现实世界中有许多成功的应用，并在进化优化领域受到越来越多的关注。大多数现有的算法假设用于优化的数据总是在中央服务器上可用于构建代理。然而，当数据必须以分布式方式收集并且受到隐私限制时，这种假设可能无法成立。提出一种联邦数据驱动的多目标进化优化算法。为此，我们利用联邦学习进行代理构建，以便多个客户端协同训练径向基函数网络作为全局代理。然后提出了一种新的联邦获取函数，用于中央服务器使用全局代理来近似目标值，并基于局部模型来估计近似目标值的不确定性水平。该算法的性能进行了验证一系列的多/多目标基准问题，通过比较它与两个国家的最先进的代理辅助多目标进化算法。
2021-06-22 cs.AI cs.NE
Archive-based Single-Objective Evolutionary Algorithms for Submodular Optimization
The University of Adelaide（阿德莱德大学）；TU Dortmund University（多特蒙德工业大学）
针对约束子模优化的单目标算法易受局部最优影响的问题，提出基于(1+λ)-EA和(1+1)-EA的、带逐步扩大可行域机制的单目标进化算法，首次证明单目标算法可有效求解多类约束子模最大化问题。
2024-06-19 cs.AI cs.NE
Molecule optimization via multi-objective evolutionary in implicit chemical space
Anhui University（安徽大学）；Hunan University（湖南大学）
机器学习方法已被用于加速分子优化过程。然而，利用稀缺的标记数据有效搜索满足若干性质的优化分子仍然是机器学习分子优化的挑战。在这项研究中，我们提出了MOMO，一个多目标分子优化框架，以应对这一挑战，结合学习化学知识与帕累托为基础的多目标进化搜索。为了学习化学，它采用了一个自我监督的编解码器来构建一个隐含的化学空间，并获得分子的连续表示。为了探索已建立的化学空间，MOMO使用多目标进化来全面有效地搜索具有多种期望性质的相似分子。我们证明了高性能的MOMO四个多目标属性和相似性优化任务，并说明搜索能力的MOMO通过案例研究。值得注意的是，我们的方法在同时优化三个目标方面明显优于以前的方法。结果表明MOMO具有较强的优化能力，建议提高先导分子优化的成功率。
2022-12-17 cs.LG cs.NE q-bio.BM
Multiobjectivization of Local Search: Single-Objective Optimization Benefits From Multi-Objective Gradient Descent
University of Münster（明斯特大学）；Statistics and Optimization（统计与优化）
多峰性是最优化的最大困难之一，因为局部最优往往会阻止算法取得进展。这不仅挑战了可能陷入困境的地方战略。它还阻碍了元算法，如进化算法收敛到全局最优。在本文中，我们提出了一个新的概念，梯度下降，这是能够逃脱局部陷阱。它依赖于多目标化的原始问题，并适用于最近提出的，这里略有修改的多目标局部搜索机制MOGSA。我们使用一个复杂的多目标问题的可视化技术来证明我们的想法的工作原理。因此，这项工作突出了从多目标到单目标领域的新见解的转移，并提供了第一个视觉证据，表明多目标化可以在多模态景观中连接单目标局部最优。
2020-10-02 cs.AI cs.NE
Quadrupole Magnet Design based on Genetic Multi-Objective Optimization
本文利用NSGA-III遗传算法对四极磁铁几何结构进行多目标优化，在保证孔径内高磁场质量的同时兼顾成本效益，并通过有限元模型与Pareto前沿分析识别最佳设计。
2023-11-03 cs.NE physics.acc-ph
SonOpt: Sonifying Bi-objective Population-Based Optimization Algorithms
University of Manchester（曼彻斯特大学）；Sonos Experience Limited（Sonos体验有限公司）
我们提出了SonOpt，第一个（开源）数据声化应用程序，用于在搜索过程中监控基于双目标群体的优化算法的进展，以促进算法的理解。SonOpt提供了对搜索的收敛/停滞、近似集形状的演变、近似集中重复点的位置以及种群多样性的见解。数据声化的好处已被证明用于各种非优化相关的监测任务。然而，很少有尝试已经在优化的背景下，他们的重点一直是专门对单目标的问题。相比之下，SonOpt是为双目标优化问题而设计的，仅依赖于非支配解的目标函数值，并且在设计时考虑到了用户（听众）;避免了多个声音的卷积，并优先考虑了熟悉系统的容易性。这是通过使用两个发声路径来实现的，这依赖于波表和加法合成的概念。本文首先介绍了SonOpt的体系结构，然后针对两种流行的多目标优化算法（NSGA-Ⅱ和MOEA/D）对SonOpt进行了验证。通过https://github.com/tasos-a/SonOpt-1.0亲自体验SonOpt。
2022-02-24 cs.NE cs.SD eess.AS
pymoo: Multi-objective Optimization in Python
Michigan State University（密歇根州立大学）
Python已成为与数据科学、机器学习和深度学习相关的研究和行业项目的首选程序设计语言。由于优化是这些研究领域的一个固有部分，在过去的几年中出现了更多的优化相关框架。其中只有少数支持一次优化多个相互冲突的目标，但不提供全面的工具，一个完整的多目标优化任务。为了解决这个问题，我们开发了pymoo，一个Python中的多目标优化框架。我们提供了一个指南，开始与我们的框架，演示了一个示例性的约束多目标优化方案的实施。此外，我们给出了pymoo架构的高级概述，以展示其功能，然后解释每个模块及其相应的子模块。我们框架中的实现是可定制的，算法可以通过提供自定义运算符来修改/扩展。此外，还提供了各种单目标、多目标和多目标的测试问题，并且可以通过开箱即用的自动微分来检索梯度。此外，pymoo还满足了实际需求，例如函数求值的并行化，低维和高维空间的可视化方法，以及多标准决策工具。有关pymoo的更多信息，欢迎读者访问：https://pymoo.org
2020-01-22 cs.LG cs.MS cs.NE
Constrained Multi-Objective Optimization for Automated Machine Learning
SAS Institute Inc.（SAS研究所）
自动化的机器学习最近获得了很多关注。构建和选择正确的机器学习模型通常是一个多目标优化问题。同时支持多个目标和约束的通用机器学习软件很少，尽管潜在的好处很大。在这项工作中，我们提出了一个名为Autotune的框架，有效地处理机器学习问题中出现的多个目标和约束。Autotune建立在一套无导数优化方法的基础上，并在分布式计算环境中利用多级并行来自动训练、评分和选择良好的模型。在模型探索和选择过程中结合多个目标和约束提供了满足实际机器学习应用中必要的权衡所需的灵活性。标准多目标优化基准问题的实验结果表明，Autotune在捕获Pareto前沿方面非常有效。这些基准测试结果还显示了添加约束如何将搜索引导到解空间中更有希望的区域，最终产生更理想的Pareto前沿。两个真实案例研究的结果证明了Autotune提供的约束多目标优化功能的有效性。
2019-08-14 cs.DC cs.LG cs.NE
