Structural bias in multi-objective optimisation
Brno University of Technology（布尔诺工业大学）；LIACS, Leiden University（莱顿大学 LIACS）；Leiden University（莱顿大学）
本文提出了一种用于研究多目标优化中结构偏差的测试方法，通过合成问题解耦算法行为与问题结构，系统分析不同结构偏差表现。
2026-02-06 cs.NE math.OC
Multi-Objective Optimisation of Multi-Output Neural Trees
我们提出了一个算法和一个新的方法来解决分类问题。我们提出了一种多输出神经树（MONT）算法，这是一种进化的学习算法训练的非支配排序遗传算法（NSGA）-III。由于进化学习是随机的，因此以MONT形式发现的假设对于每次进化学习都是唯一的，即，生成的每个假设（树）与拓扑空间和参数空间中的任何其他假设相比具有不同的属性。这导致了一个具有挑战性的优化问题，其目标是最小化树的大小和最大化的分类精度。因此，超容量指标分析满足了帕累托最优问题。我们使用了九个基准分类学习问题来评估MONT的性能。作为我们的实验结果，我们得到的MONT是能够解决高精度的分类问题。MONT的性能出现更好的一组问题，在这项研究中解决了一组著名的分类：多层感知器，减少错误修剪树，朴素贝叶斯分类器，决策树，和支持向量机相比。此外，使用遗传编程，NSGA-II和NSGA-III的三个版本的MONT的训练的性能表明，NSGA-III给出了最佳的帕累托最优解。
2022-02-18 cs.NE
A Convergence indicator for Multi-Objective Optimisation Algorithms
近年来，多目标优化算法得到了相对的发展。因此，需要某种方法来比较这些结果。从这个意义上说，业绩计量发挥着关键作用。一般来说，它考虑了这些算法的一些性质，如容量，收敛性，多样性或收敛-多样性。存在一些已知的度量，诸如代间距离（GD）、反向代间距离（IGD）、超体积（HV）、扩散（$Δ$）、平均豪斯多夫距离（$Δ_p$）、R2指示符等。本文在传统的香农熵公式的基础上，提出了一种新的收敛性度量指标。该度量的主要特点是：1）不需要知道真实的Pareto集; 2）与超卷相比，计算成本适中。
2018-10-29 cs.NE
Water Distribution System Design Using Multi-Objective Particle Swarm Optimisation
介绍了多目标粒子群优化算法（MOPSO）在给水管网优化设计中的应用。一个早期的MOPSO算法增加了（a）局部搜索，（b）一个修改后的策略分配的领导者，和（c）一个修改后的变异计划。对于在文献中描述的基准问题之一，上述每个功能的算法性能的效果进行了演示。增强MOPSO算法（称为MOPSO+）应用于五个基准问题，在每种情况下，它发现非支配的解决方案没有报告。此外，为了比较不同算法得到的Pareto前沿（非支配解集），提出了一个新的准则，并通过一个例子指出了它的有用性。最后，对未来的研究方向提出了一些建议。
2019-03-14 cs.NE
Multi-Objective Reinforcement Learning based Multi-Microgrid System Optimisation Problem
具有储能系统和分布式可再生能源的微电网在减少传统电源的消耗和$CO_2$的排放方面发挥着至关重要的作用。将多微电网连接到配电网可以促进更强大、更可靠的运行，以提高系统的安全性和隐私性。该模型由智能电网层、独立系统运营商（ISO）层和电网层三层组成。每一层的目标都是最大限度地发挥其效益。为了实现这些目标，提出了一种基于多目标强化学习（MORL）技术的智能多微网能量管理方法，并得到了一个Pareto最优集。选择一个非支配的解决方案来实现公平的设计，以便不偏袒任何特定的参与者。仿真结果表明了MORL的性能，并验证了所提出的方法的可行性。
2021-03-10 cs.NE
The multi-objective optimisation of breakwaters using evolutionary approach
在工程实践中，往往需要提高现有港口和海岸防护建筑的有效性（即。e.防波堤），因为现有的配置不提供适当的环境条件。该扩展任务可以被认为是一个优化问题。本文提出了防波堤优化的多目标进化方法。此外，一个贪婪的启发式算法的实现和包括，允许实现适当的解决方案更快。识别附加防波堤的最佳变体，提供了安全的船舶停泊和操纵在大黑海索契港的任务已被用作一个案例研究。实验结果表明，所提出的多目标进化方法在现实世界的工程问题中应用的可能性。它允许识别可能的配置的帕累托最优集，决策者可以分析并用于最终构建
2021-09-08 cs.NE
Multi-Objective Optimisation of Damper Placement for Improved Seismic Response in Dynamically Similar Adjacent Buildings
考虑了相邻建筑物动力对称时阻尼器布置的多目标优化问题，采用相同的粘弹性阻尼器进行振动控制。首先，穷举搜索被用来描述的解决方案空间中的各种感兴趣的数量，如最大顶层位移，最大地板加速度，底部剪力，和层间漂移。借助实例，指出这些问题的帕累托前沿只包含极少数解。两种常用的多目标进化算法，即，NSGA-II和MOPSO，评估了一个具体的例子。
2019-12-29 cs.CE cs.NE
Rapidly adapting robot swarms with Swarm Map-based Bayesian Optimisation
University of Southampton（南安普顿大学）
针对集群机器人应对环境扰动的性能恢复难题，提出SMBO和SMBO-Dec两种基于Swarm Map的贝叶斯优化算法，通过搜索控制器存档实现快速行为适应，在多种干扰实验中最多30次评估内性能提升达80%。
2020-12-21 cs.AI cs.MA cs.NE
Greed is Good: Exploration and Exploitation Trade-offs in Bayesian Optimisation
University of Exeter（埃克塞特大学）；Swansea University（斯旺西大学）
贝叶斯优化定位连续函数的全局最优值的采集功能的性能进行了研究的帕累托前之间的勘探和开采。我们表明，预期改善（EI）和置信上限（UCB）总是选择解决方案进行昂贵的评价帕累托前沿，但概率的改善并不能保证这样做，加权预期改善这样做，只有在有限的范围内的权重。我们介绍了两个新颖的$ε$贪婪获取函数。对这些以及在1至10个维度中的10个基准问题上的随机搜索、纯探索性和纯利用性搜索的广泛经验评估表明，$ε$ -贪心算法通常至少与常规获取函数一样有效（例如，EI和UCB），特别是在预算有限的情况下。在更高的维度$ε$ -贪婪的方法被证明具有改进的性能比传统的方法。这些结果证实了现实世界的计算流体动力学优化问题和机器人主动学习问题。我们的分析和实验表明，最有效的策略，特别是在更高的维度，是大多是贪婪的，偶尔选择一个随机的探索性解决方案。
2021-04-28 cs.LG cs.NE stat.ML
Non-Elitist Evolutionary Multi-Objective Optimisation: Proof-of-Principle Results
本文提出一种摒弃精英主义的简单多目标进化算法NE-MOEA，仅用Pareto支配排序进行种群更新，实验证明其在多个组合问题上可与NSGA-II等经典精英算法竞争。
2023-05-26 cs.NE
On Scalability of Multi-Objective Evolutionary Algorithms on Combinatorial Optimisation Problems
University of Birmingham（伯明翰大学）
本文研究了多目标进化算法在组合优化问题中的可扩展性，发现SEMO在大规模问题中收敛速度下降，缺乏交叉操作是其性能下降的主要原因。
2026-04-20 cs.NE
Multi-Objective Archiving
本文对多目标存档进行了系统概述，填补了缺乏理论视角研究的空白，并证明了基于弱Pareto兼容指标的存档算法在设计得当的情况下，可实现与基于Pareto兼容指标的存档器相同的理论理想特性（如极限最优）。
2023-09-13 cs.NE
Scalable Many-Objective Pathfinding Benchmark Suite
路径规划也被称为寻路，是物流、移动机器人和其他应用中的关键要素之一，工程师们面临着许多相互冲突的目标。然而，目前大多数的路径规划算法只考虑多达三个目标。在本文中，我们提出了一个可扩展的多目标基准问题，涵盖了大多数的重要功能的路由应用程序的基础上，现实世界的数据。我们定义了五个目标函数，代表距离，行驶时间，事故造成的延误，和两个路线的具体功能，如曲率和海拔。我们分析了几个不同的情况下，这个测试问题，并提供其真正的帕累托前沿分析问题的困难。我们采用三个著名的进化多目标算法。由于这个测试基准可以很容易地转移到现实世界的路由问题，我们构建了一个路由问题，从OpenStreetMap数据。我们评估的三个优化算法，并观察到，我们能够提供这样一个现实世界的应用前景看好的结果。建议的基准代表了一个可扩展的多目标的路线规划优化问题，使研究人员和工程师评估他们的多目标的方法。
2020-10-09 cs.NE
A Technique Based on Trade-off Maps to Visualise and Analyse Relationships Between Objectives in Optimisation Problems
The University of Nottingham（诺丁汉大学）
本研究提出一种含四步骤的权衡图技术，可可视化分析多目标优化问题的目标间全局与局部关系，经三类经典组合优化问题验证，能助力理解目标关系带来的问题难度。
2025-08-06 cs.AI cs.HC cs.NE
Spacecraft design optimisation for demise and survivability
在为处理空间碎片问题而采取的减缓措施中，有一项是使退役卫星脱离轨道。再入物体准则要求地面伤亡风险不高于0.0001。为了符合这一要求，可以通过为消亡而设计的理念来设计卫星。尽管如此，一个设计为死亡的航天器必须在碎片密集的太空环境中生存多年。卫星的可拆卸性和生存性都可以受到一组常见设计选择的影响，例如材料选择，几何定义和组件的位置。在这方面，开发了两种模型来分析卫星的报废和生存能力。考虑到可放弃性和生存性的竞争性质，开发了一个多目标优化框架，目的是为卫星的初步设计确定折衷解决方案。由于该问题是非线性的，涉及到连续和离散变量的组合，经典的导数为基础的方法是不适合的，而遗传算法被选中。遗传算法使用开发的可灭绝性和生存性标准作为多目标算法的适应度函数。本文提出了一个测试案例，它考虑了初步优化的坦克的材料，几何形状，位置和数量的坦克的一个代表性的地球观测任务。航天器外部结构的配置是固定的。选择坦克是因为它们对两种设计要求都很敏感：它们是销毁过程中的关键部件，撞击损坏可能因泄漏和破裂而导致任务损失。结果提出了可能的权衡解决方案，构成从多目标优化得到的帕累托前沿。
2019-10-11 astro-ph.EP cs.CE cs.NE
A Novel Multi-Objective Evolutionary Algorithm for Counterfactual Generation
School of Computing, University of Kent（肯特大学计算机学院）
针对黑箱预测模型的反事实解释需求，提出基于字典序优化的多目标进化算法及反事实有效性目标扩展，实验表明其竞争力强且有效性显著提升。
2025-02-03 cs.LG cs.NE
Energy-Aware JPEG Image Compression: A Multi-Objective Approach
Universidade da Beira Interior（贝拉内政大学）；NOVA LINCS（NOVA LINCS实验室）
移动设备的能耗对客户满意度有着至关重要的影响。应用程序中最耗能的部分之一是图像。虽然具有不同质量的不同图像消耗不同的能量，但是没有直接的方法来计算典型图像中的操作的能量消耗。本文首先研究了能耗与图像质量以及图像文件大小之间的相关性。因此，这两个可以被认为是能源消耗的代理。然后，我们提出了一个多目标的策略，以提高图像质量和减少图像文件大小的基础上量化表在JPEG图像压缩。为此，我们使用了两种通用的多目标元启发式方法：标量化和基于帕累托。规模化方法基于组合不同目标来找到单个最佳解决方案，而基于帕累托的技术旨在实现一组解决方案。在本文中，我们将我们的策略嵌入到五个标量化算法，包括能量感知多目标遗传算法（EnMOGA），能量感知多目标粒子群优化（EnMOPSO），能量感知多目标差分进化（EnMODE），能量感知多目标进化策略（EnMOES），和能量感知多目标模式搜索（EnMOPS）。此外，两个基于Pareto的方法，包括非支配排序遗传算法（NSGA-II）和基于参考点的NSGA-II（NSGA-III）的嵌入方案，并提出了两个基于Pareto的算法，EnNSGAII和EnNSGAIII。实验结果表明，将该策略嵌入到元启发式算法中，基线算法的性能得到了提高。
2022-09-09 cs.AI cs.CV cs.NE
SPEA2$^+$: Improved Density Estimation in SPEA2 with Provable Runtime Guarantees
University of Dortmund（Dortmund大学）
针对SPEA2处理支配解时多样性不足的问题，提出使用所有成对距离改进密度估计的SPEA2$^+$，在OneTrapZeroTrap基准上达到与其他主流算法相同的性能保证。
2026-06-11 cs.AI cs.NE
Improving the Data Efficiency of Multi-Objective Quality-Diversity through Gradient Assistance and Crowding Exploration
Imperial College London（帝国理工学院）；InstaDeep
提出MOME-PGX算法，通过基于梯度的优化和拥挤探索机制扩展MOME，在四个机器人运动任务中显著提升了多目标质量-多样性优化的数据效率和性能。
2023-05-16 cs.AI cs.LG cs.NE
PAMELI: A Meta-Algorithm for Computationally Expensive Multi-Objective Optimization Problems
我们提出了一个算法的多目标优化计算昂贵的问题。该算法是基于解决一组代理问题定义的模型的真正的，所以只有解决方案估计是近似帕累托最优的评估使用真正的昂贵的功能。除了搜索解决方案，我们的算法还执行元搜索的最佳代理模型和导航策略的优化景观，因此适应的搜索策略的解决方案的问题，因为它获得了新的信息。我们的方法的竞争力证明了一个国家的最先进的代理辅助进化算法的一组基准问题的实验比较。
2021-04-18 cs.LG cs.NE
A fuzzy adaptive evolutionary-based feature selection and machine learning framework for single and multi-objective body fat prediction
本文提出了一种融合模糊集理论和进化算法的特征选择与机器学习框架，用于提升身体脂肪预测的准确性与稳定性，同时解决多目标优化中的冲突问题。
2025-03-07 cs.LG cs.NE
