When to Truncate the Archive? On the Effect of the Truncation Frequency in Multi-Objective Optimisation
本文研究多目标进化算法中存档截断时机对结果的影响，发现每生成一个新解即截断通常最优，而无界存档后再截断往往最差，并强调了开发专用子集选择技术的重要性。
2025-04-13 cs.NE
Not Just for Archiving: Provable Benefits of Reusing the Archive in Evolutionary Multi-objective Optimization
本文研究了在进化多目标优化中重用存档的益处，证明了通过重用存档解可提高效率，优于使用大种群规模。
2025-12-09 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
A Theoretical Perspective on Why Stochastic Population Update Needs an Archive in Evolutionary Multi-objective Optimization
本文从理论上证明，在进化多目标优化中，随机种群更新配合存档可减小种群规模并显著降低期望运行时间上界，且(μ+μ)更新模式更适配SPU。
2025-09-25 cs.NE
Impact of diversity on bounded archives for multi-objective local search
Centrale Lille（里尔中央理工学院）；Lille Catholic University（里尔天主教大学）
本文提出Hamming距离档案算法，通过增强解空间多样性提升多目标优化效率。
2026-02-04 cs.NE
An Archive Can Bring Provable Speed-ups in Multi-Objective Evolutionary Algorithms
本文首次从理论上证明，在NSGA-II和SMS-EMOA求解OneMinMax等问题时，使用存档可使种群规模减为常数并带来多项式级别的期望运行时间加速。
2024-06-04 cs.NE
TRUST-TAEA: A trustworthiness-guided two-archive evolutionary algorithm with variable-grouping sparse search for large-scale multi-objective optimization
Southwest Petroleum University（西南石油大学）；Jagiellonian University in Krakow（克拉科夫雅盖隆大学）
针对大规模多目标优化问题，提出一种基于存档可信度引导的双存档进化算法TRUST-TAEA，通过变量分组稀疏搜索、锚点探测补偿搜索和存档稳定机制，在收敛性、多样性和稳定性上取得优越性能。
2026-05-26 cs.NE math.OC
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
An Analysis of Quality Indicators Using Approximated Optimal Distributions in a Three-dimensional Objective Space
虽然质量指标在进化多目标优化算法的基准测试中起着至关重要的作用，但它们的性质仍然不清楚。理解质量指标的一个有前途的方法是使用优化每个质量指标的目标向量的最优分布。然而，很难获得每个质量指标的最优分布，特别是当其理论属性未知时。因此，大多数质量指标的最佳分布尚未得到很好的研究。为了解决这些问题，首先，我们提出了一个问题的配方，找到最佳的分布为每个质量指标的任意帕累托前沿。然后，我们近似九个质量指标的最佳分布，使用建议的问题制定。我们分析了九个质量指标，使用其近似的最优分布的八种类型的帕累托前沿的三目标问题。我们的分析表明，均匀分布在整个帕累托前沿的目标向量在许多情况下不是最优的。每个质量指标对于每个帕累托前沿都有自己的最优分布。我们还研究了九个质量指标之间的一致性。
2020-09-27 cs.NE
On the Unbounded External Archive and Population Size in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point
本文研究了基于参考点的偏好进化多目标优化中无界外部存档和种群规模的影响，提出了一种基于偏好的后处理方法，发现使用UA和较小种群规模能显著提升算法性能。
2023-04-07 cs.NE
Fast Greedy Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization
子集选择是进化多目标优化领域中一个有趣而重要的研究课题。特别是，在一个EMO算法与无界的外部档案，子集选择是一个必不可少的后处理过程中选择一个预先指定的数量的解决方案作为最终结果。在本文中，我们讨论了贪婪子集选择的效率的超体积，IGD和IGD+指标。贪心算法通常有效地处理子集选择。但是，当给出大量的解决方案时（例如，从无限外部存档中的数万个解决方案中选择子集），它们通常会变得非常耗时。我们的想法是使用子模属性，这是已知的超体积指标，以提高他们的效率。首先，我们证明了IGD和IGD+指标也是子模的。其次，基于子模性质，我们提出了一个有效的贪婪包含算法的每一个指标。然后，我们通过计算实验证明，所提出的算法是远远快于标准的贪婪子集选择算法。
2021-02-01 cs.NE
Quality Indicators for Preference-based Evolutionary Multi-objective Optimization Using a Reference Point: A Review and Analysis
本文综述并分析使用参考点的偏好型进化多目标优化质量指标，揭示其适用区域、性质差异及对算法排名的影响。
2023-09-26 cs.NE
Evolutionary Multi-Objective Optimization Algorithm Framework with Three Solution Sets
在进化多目标优化（EMO）社区中，假设最终解由决策者从EMO算法获得的非支配解集中选择。向决策者提出的解决方案的数量可能完全不同。在某些情况下，决策者可能只想检查几个代表性的解决方案，从中选择最终解决方案。在其他情况下，可能需要大量的非支配解来可视化帕累托前沿。在本文中，我们建议使用一个通用的EMO框架与三个解决方案集来处理各种情况下所需的解决方案的数量。这三个解集是EMO算法的主要种群，用于存储有希望的解的外部存档，以及提交给决策者的最终解集。最终的解决方案集是从存档中选择的。因此，人口规模和档案大小可以任意指定，只要档案大小不小于所需的解决方案的数量。最终的种群不一定是一个好的解集，因为它没有呈现给决策者。通过计算实验，我们展示了这个框架的优势，标准的最终人口和最终存档框架。我们还讨论了如何选择一个最终的解决方案集，以及如何解释选择的原因，这是第一次尝试对一个可解释的EMO框架。
2020-12-14 cs.NE
Non-elitist Evolutionary Multi-objective Optimizers Revisited
自2000年以来，人们一直认为精英进化多目标优化算法（EMOAs）总是优于非精英EMOAs。本文回顾了非精英EMOA的性能双目标连续优化时，使用无界的外部档案。本文研究了两个精英和一个非精英环境选择的EMOAs的性能。在COCO平台提供的双目标BBOB问题集上对EMOA的性能进行了评估。与传统的智慧相比，结果表明，非精英EMOAs与特定的交叉方法执行显着良好的双目标BBOB问题，许多决策变量时，使用无界的外部档案。本文还分析了非精英选择的性质。
2020-09-30 cs.NE
A Niching Indicator-Based Multi-modal Many-objective Optimizer
多模态多目标优化是寻找尽可能多的（几乎）等价Pareto最优解。文献中提出了一些多模态多目标优化的进化算法。然而，对于目标数大于3的多模态多目标优化问题，目前还没有有效的方法。针对这一问题，提出了一种基于小生境指标的多模态多目标优化算法。在所提出的方法中，适应度的计算是在一个孩子和它的最接近的个体之间的解决方案空间，以保持多样性。所提出的方法的性能进行评估多模态多目标测试问题，多达15个目标。结果表明，该方法可以处理大量的目标，并找到一个很好的近似多个等价的Pareto最优解。实验结果还表明，该方法的性能明显优于8种多目标进化算法。
2020-10-01 cs.NE
Analyzing Dominance Move (MIP-DoM) Indicator for Multi- and Many-objective Optimization
优势移动（DoM）是一个二元质量指标，可用于多目标和多目标优化，以比较从不同算法获得的两个解集。DoM指示器可以区分某些重要特征的集合，例如收敛性，扩散性，一致性和基数。DoM不使用任何参考，并且它具有直观和物理意义，类似于$ε$ -指示符，并且计算一个集合的成员的最小总移动，使得另一集合中的所有元素将被支配或与第一集合中的至少一个成员相同。尽管有上述性质，DoM很难计算，特别是在更高的维度。只有在双目标情况下才有一种有效而精确的方法来计算它。这项工作提出了一种新的方法来计算DoM使用混合整数规划（MIP）的方法，它可以处理三个或更多的目标集，并克服了$ε$ -指标的信息丢失。在双目标空间中进行了实验，验证了模型的正确性。此外，其他实验，使用3，5，10，15，20，25和30个目标的问题进行，以显示该模型在高维情况下的行为。使用诸如IBEA、MOEA/D、NSGA-III、NSGA-II和SPEA 2的算法来生成解集（然而，任何其他算法也可以与所提出的MIP-DoM指示符一起使用）。进一步的扩展进行了讨论，以处理某些解决方案集的某些特质，并提高质量指标及其在其他情况下的使用。
2021-02-05 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
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
Composite Indicator-Guided Infilling Sampling for Expensive Multi-Objective Optimization
针对昂贵多目标优化中收敛、多样、分布难平衡的问题，提出基于复合指标的CI-EMO算法，结合NSGA-III与代理模型生成候选解，用复合指标选解评估，经实验验证性能优于五种主流同类算法。
2025-06-13 cs.NE
IGD Indicator-based Evolutionary Algorithm for Many-objective Optimization Problems
逆世代距离（IGD）已被广泛认为是一个可靠的性能指标，同时量化的收敛性和多样性的多目标和多目标进化算法。提出了一种基于IGD指标的多目标优化进化算法。具体地说，IGD指标是在每一代选择具有良好的收敛性和多样性的解决方案。此外，一个计算效率的优势比较方法的目的是分配的解决方案的秩值以及三个新提出的邻近距离分配。基于这两种设计，通过线性分配机制从全局角度选择解，同时兼顾收敛性和多样性。为了便于IGD指标计算的采样参考点的准确性，我们还提出了一种有效的基于分解的最低点估计方法来构建乌托邦帕累托前沿，这被认为是最好的近似帕累托前沿的现实世界的MaOP在早期的演变阶段。为了评估性能，一系列的实验上所提出的算法对一组选定的国家的最先进的多目标优化算法的优化问题与$8$ -，$15$ -，和$20$ -目标。实验结果表明，所提出的算法是非常有竞争力的解决MaOP的性能指标。
2018-02-24 cs.NE
A many-objective evolutionary algorithm using indicator-driven weight vector optimization
针对不规则帕累托前沿下固定权重向量导致的分布不均问题，提出基于MOEA/D框架、融合简化超体积指标与R2指标的自适应多目标进化算法，实现权重向量动态调整，实验证明其优于六种先进算法。
2025-10-03 cs.NE
T-DominO: Exploring Multiple Criteria with Quality-Diversity and the Tournament Dominance Objective
现实世界的设计问题是约束、目标和特性的混乱组合。探索这些问题空间可以被定义为多标准探索（MCX）问题，其目标是产生一组在许多目标上具有高性能的多样化解决方案，同时避免在任何目标上的低性能。质量多样性算法产生所需的设计变化，但通常只考虑一个目标。我们提出了一个新的排名，T-DominO，专门设计用于处理MCX问题中的多个目标。T-DominO将个人相对于档案中的其他解决方案进行排名，优先考虑具有平衡性能的个人，而不是那些以牺牲其他目标为代价在少数目标上表现出色的个人。在每个MAP-Elites bin中只保留一个平衡的解决方案，以保持归档的视觉可访问性-这是设计探索的强大资产。我们说明了我们的方法在一组易于理解的基准，并展示其潜力在一个多目标的现实世界的架构案例研究。
2022-07-04 cs.NE
Coevolutionary Framework for Generalized Multimodal Multi-objective Optimization
针对现有多模态多目标进化算法难寻局部帕累托最优解集、高维问题收敛性差的问题，提出含双档案库协同进化的CoMMEA框架，通过知识迁移兼顾收敛性与多样性，在54个复杂问题上性能优于7种主流算法。
2022-12-05 cs.NE
An Analysis of the Preferences of Distribution Indicators in Evolutionary Multi-Objective Optimization
本文分析了演化多目标优化中分布指标(DIs)的偏好，提出DIs分类法并评估九种DIs，发现部分DIs具误导性，基于Biodiversity和Potential Energy的DIs在PFA评估中表现优异。
2024-03-21 cs.NE
Investigating Normalization in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point
本文针对PBEMO因仅搜索感兴趣区域而难以估计目标尺度的问题，比较三种归一化方法，并提出有界归档近似最低点，发现外部归档法表现相对较好。
2023-07-13 cs.NE
An Adaptive KKT-Based Indicator for Convergence Assessment in Multi-Objective Optimization
Federal University of Ouro Preto（欧罗普雷托联邦大学）
本文提出了一种基于KKT条件的自适应收敛性指标，通过分位数归一化提高对异质分布残差的鲁棒性，以改进多目标优化的收敛性评估。
2026-03-04 cs.NE math.OC
On Statistical Analysis of MOEAs with Multiple Performance Indicators
当我们广泛地测试一组多目标进化算法并旨在确定其适当的排名时，评估多目标进化算法（MOEAs）的经验性能是至关重要的。多个性能指标，例如，在报告实验数据时，经常采用代间距离和超体积，通常对每一指标的数据进行独立于其他指标的分析。这种处理方法在汇总所有性能指标的结果时带来了概念上的困难，并且如果性能指标的边缘分布重叠，则可能无法发现算法之间的显著差异。因此，在本文中，我们建议进行多变量$\mathcal{E}$ -测试的联合经验分布的性能指标，以检测潜在的差异的数据，随后由事后程序，利用线性判别分析，以确定算法之间的优越性。这种性能分析的有效性是由四个算法，16个问题，和6个不同数量的目标进行的实验支持。
2020-12-01 cs.NE
Optimal Technical Indicator-based Trading Strategies Using NSGA-II
提出了一种基于技术指标的股票交易非支配排序遗传算法-II（NSGA-II），通过寻找技术指标的最优组合来产生买卖策略，使夏普比率和最大下跌分别最大化和最小化。选择NSGA-Ⅱ是因为它是一个非常流行和强大的双目标进化算法。培训和测试采用滚动式方法（两年培训，一年测试），因此，在没有重大经济波动的稳定时期，这种方法的结果似乎要好得多。此外，本研究的另一个重要贡献是在整个建模方法中纳入了交易成本和领域专业知识。
2022-01-25 cs.NE
Multi-Objective Covariance Matrix Adaptation MAP-Annealing
提出MO-CMA-MAE算法，将CMA-ES引入多目标质量多样性优化，通过优化每个帕累托集的超体积，在多个领域及游戏地图生成中显著提升性能。
2025-05-27 cs.NE
R2 Indicator and Deep Reinforcement Learning Enhanced Adaptive Multi-Objective Evolutionary Algorithm
Ulster University（阿尔斯特大学）；University of Bath（巴斯大学）；Auburn University（奥本大学）
针对优化算法选择难题，提出融合R2指标与双深度Q网络强化学习的多目标进化算法R2-RLMOEA，在CEC09基准测试中性能显著优于其他6种同类算法。
2024-04-17 cs.AI cs.NE
An Assignment Problem Formulation for Dominance Move Indicator
优势移动（DoM）是多目标优化中比较解集的一个二进制质量指标。在比较解决方案集时，该指标允许更自然和直观的关系。它是帕累托兼容的，不需要任何参数或参考集。尽管它的优点，组合计算的性质是一个限制。原来的配方提出了一个有效的方法来计算它在一个双目标的情况下。这项工作提出了一个分配公式计算DoM的问题有三个或更多的目标。在双目标空间中进行了一些初步的实验，以证明模型的正确性。接下来，还进行了其他实验，使用三个维度，以展示DoM如何与其他指标进行比较：倒置世代距离（IGD）和超体积（HV）。结果表明，DoM的分配公式对于三个以上的目标是有效的。但是，也有一些优点和缺点，这是讨论和详细。一些注释、考虑和未来的研究路径结束了这项工作。
2020-05-14 cs.NE
Benchmarking Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization
Southern University of Science and Technology（南方科技大学）
在进化多目标优化（EMO）领域，标准的做法是将EMO算法的最终种群作为输出。然而，它已被证明，最终的人口往往包括解决方案占主导地位的其他解决方案产生和丢弃在前几代。最近，一个新的EMO框架已被提出来解决这个问题，通过存储所有的非支配的解决方案在进化过程中产生的存档，并选择一个子集的解决方案从存档作为输出。在这个框架中的关键组成部分是从通常存储了大量的候选解决方案的档案子集的选择。然而，大多数子集选择的研究集中在小的候选解决方案集的环境选择。没有用于大规模子集选择的基准测试套件。本文旨在填补这一研究空白，提出了一个基准测试套件的子集选择从大的候选解决方案集，并比较了一些代表性的方法使用建议的测试套件。建议的测试套件连同基准研究提供了一个基线，研究人员理解，使用，比较，并开发子集选择方法在EMO领域。
2022-03-29 cs.AI cs.NE
A Reference Vector based Many-Objective Evolutionary Algorithm with Feasibility-aware Adaptation
Dalian University of Technology（大连理工大学）；Montréal Institute of Learning Algorithms (Mila)（蒙特利尔学习算法研究所（Mila））；McGill University（麦吉尔大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；Nanyang Technological University（南洋理工大学）
在复杂的多目标优化问题中，目标空间的不可行部分给进化算法带来了麻烦。本文提出了一种基于参考向量的算法，该算法使用两个相互作用的引擎来适应参考向量，并向真正的Pareto Front（PF）s.t.进化的人口。参考向量总是均匀地分布在当前PF内，以提供用于选择的适当指导。当前PF通过维护非支配个体的档案来跟踪，并且参考向量的自适应在另一个档案的帮助下进行，该档案包含对应于不同密度的参考向量层。实验结果表明，所提出的算法TEEA的预期特性和竞争力的表现。
2019-04-12 cs.AI cs.NE
Algorithm Configurations of MOEA/D with an Unbounded External Archive
在进化多目标优化（EMO）社区中，通常假设最终种群是作为EMO算法执行的结果呈现给决策者的。最近，一个无界的外部档案被用来评估EMO算法的性能，在一些研究中，一个预先指定的解决方案的数量是从所有检查的非支配解决方案中选择。在这个框架中，它被称为解决方案选择框架，最终的人口不一定是一个很好的解决方案集。因此，解决方案选择框架提供了更高的灵活性，EMO算法的设计比最终的人口框架。在本文中，我们研究了这两个框架下的MOEA/D的设计。首先，我们表明，MOEA/D的性能得到改善，通过线性改变其执行过程中的参考点规范，通过计算实验的初始和最终规格的各种组合。鲁棒性和高性能的解决方案选择框架进行了观察。然后，我们研究了使用基于遗传算法的离线超探试法，以找到最佳配置的MOEA/D在每个框架。最后，我们进一步讨论了解决方案选择框架中的EMO算法执行后的解决方案选择。
2020-07-27 cs.NE
A Two-stage Evolutionary Framework For Multi-objective Optimization
针对进化多目标优化中种群收敛性与多样性难以平衡的问题，提出两阶段进化框架TEMOF，通过分阶段父代选择与外部存档机制提升搜索能力，实验验证其在多类问题上的优异鲁棒性能。
2024-07-09 cs.NE
Quality-Diversity Meta-Evolution: customising behaviour spaces to a meta-objective
University of Southampton（南安普顿大学）
本文提出QD-Meta框架，通过演化具有不同算法和表征特性的QD算法种群来优化用户定义的元目标，实证表明其在函数优化和机器人运动基准上优于CVT-MAP-Elites和AURORA，提供更好的平均性能和更快的环境适应能力。
2021-09-08 cs.AI cs.NE cs.RO
Decomposition-Based Multi-Objective Evolutionary Algorithm Design under Two Algorithm Frameworks
发展高效的进化多目标优化（EMO）算法一直是演化计算界的研究热点。多年来，已经提出了许多EMO算法。现有的EMO算法主要是基于最终种群框架开发的。在最终种群框架中，EMO算法的最终种群呈现给决策者。因此，要求EMO算法产生的最终种群是一个好的解集。最近，使用的解决方案选择框架的EMO算法的设计建议。这个框架有一个无限的外部存档来存储所有检查过的解决方案。从档案中选择预先指定数量的解决方案作为提交给决策者的最终解决方案。当使用解决方案选择框架时，EMO算法可以以更灵活的方式设计，因为最终群体不一定是好的解决方案集。在本文中，我们研究了这两个框架下的MOEA/D的设计。我们使用离线遗传算法为基础的超探试法，以找到最佳的配置MOEA/D在每个框架。实验中使用了DTLZ和WFG测试集及其减版本。实验结果表明，一个更灵活的，鲁棒性和高性能的MOEA/D算法时，可以得到的解决方案选择框架。
2020-08-17 cs.NE
A Multi-operator Ensemble LSHADE with Restart and Local Search Mechanisms for Single-objective Optimization
本文提出增强版LSHADE-cnEpSin算法mLSHADE-RL，通过集成多种变异策略、重启机制和局部搜索方法，在CEC 2024竞赛中展现出优于其他先进算法的性能。
2024-09-24 cs.NE
A Novel Multi-Objective Velocity-Free Boolean Particle Swarm Optimization
本文将布尔粒子群优化算法扩展到多目标环境中，据我们所知，这在文献中是第一次。我们提出的新的布尔算法，MBOnvPSO，是显着简化的速度更新规则的省略，并具有增强的探索能力，由于包括在位置更新规则，防止粒子被困在局部最优的“噪声”项。我们的算法还利用外部档案来存储非支配的解决方案，并实现拥挤距离，以鼓励解决方案的多样性。在基准测试中，MBOnvPSO产生高质量的帕累托前沿，相比基准的替代品，为所有考虑的多目标测试功能，具有竞争力的性能，在搜索空间与多达600个离散维度。
2022-10-12 cs.NE
A Novel Pareto-optimal Ranking Method for Comparing Multi-objective Optimization Algorithms
Ontario Tech University（安大略理工大学）；Wilfrid Laurier University（威尔弗里德劳里埃大学）；Brock University（布鲁克大学）；Michigan State University（密歇根州立大学）
针对多/超多目标优化算法性能比较需综合多指标的问题，提出基于帕累托最优概念（非支配排序）的多指标排序方法，可利用多指标评估算法并生成排序等级，在CEC竞赛数据集验证且具可扩展性。
2024-11-27 cs.AI cs.NE
A Weight Adaptation Trigger Mechanism in Decomposition-based Evolutionary Multi-Objective Optimisation
针对基于分解的多目标进化算法权重调整易损害规则帕累托前沿问题性能的问题，提出带触发机制的权重自适应算法ATM-MOEA/D，仅在检测到不规则帕累托前沿时调整权重，兼顾两类问题的优化性能。
2025-02-23 cs.NE
A Newton Method for Hausdorff Approximations of the Pareto Front within Multi-objective Evolutionary Algorithms
本文提出一种基于集合的牛顿方法，用于在多目标进化算法中生成Pareto前沿的Hausdorff近似，通过推广性能指标牛顿步并利用算法运行数据生成参考集，作为后处理步骤显著提升了近似效果。
2024-09-25 cs.NE
Speeding up Local Search for the Indicator-based Subset Selection Problem by a Candidate List Strategy
本文提出一种候选列表策略，通过限制每个点仅与候选列表中的未选中点交换，大幅减少局部搜索的交换次数，从而有效加速基于指标的子集选择问题的求解，同时保持子集质量并适应不同Pareto前沿。
2025-03-06 cs.NE
Multi-objective Cat Swarm Optimization Algorithm based on a Grid System
University of Kurdistan Hewlêr（库尔德斯坦大学赫勒尔校区）；Charmo University（查莫大学）；Sulaimani Polytechnic University（苏莱曼尼理工大学）；University of Human Development（人类发展大学）；Kirkuk University（基尔库克大学）
本文提出基于网格系统的多目标猫群优化算法（GMOCSO），通过贪婪方法替代轮盘赌并引入网格与双存档策略，在测试函数和压力容器设计问题上验证了其收敛性与多样性的稳健性。
2025-02-22 cs.AI 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
Convex Hull-Based Multi-objective Genetic Programming for Maximizing ROC Performance
在数据采掘中，ROC通常用于分析分类器的性能。ROC凸包（ROCCH）是经验ROC曲线的最小凸优集（LCM），它覆盖了给定分类器集的潜在最优解。通常，ROC性能最大化可以被认为是最大化ROCCH，这也意味着最大化ROC空间中每个分类器的真阳性率（tpr）并最小化假阳性率（fpr）。然而，在ROCCH优化过程中，tpr和fpr彼此冲突。ROCCH最大化问题虽然看起来像是一个多目标优化问题，但其专用字符的特殊性使其不同于传统的多目标优化问题。在这项工作中，我们将讨论它们之间的差异，并提出基于凸包的多目标遗传编程（CH-MOGP）来解决ROCCH最大化问题。基于凸包的排序是一种基于指标的选择方案，其目的是最大化凸包下的面积，该面积用作一组点的性能的一元指标。一个选择过程中描述，可以有效地实现，并遵循类似的设计原则比经典的超体积为基础的优化算法。据推测，通过使用定制的基于指标的选择方案CH-MOGP得到更有效的ROC凸包近似比算法，计算所有的Pareto最优点。为了验证我们的假设，我们比较了新的CH-MOGP与MOGP与经典的选择方案，包括NSGA-II，MOEA/D）和SMS-EMOA。同时，将CH-MOGP与C4.5、Naive Bayes、Prie等传统机器学习算法进行了比较。基于22个著名UCI数据集的实验结果表明，CH-MOGP的性能明显优于传统的EMOA。
2013-03-15 cs.NE
An Analysis on Selection for High-Resolution Approximations in Many-Objective Optimization
本文研究了三种精英多目标进化算法的行为，这些算法生成了Pareto最优集的高分辨率近似。定义了几个搜索评估指标来跟踪生存选择的动态，并测量同时保持最优解和发现新的不同人口规模下的能力，设置为帕累托最优集的大小的一小部分。
2014-09-26 cs.NE
PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective Optimization
在过去的三十年里，大量的进化算法被开发用于解决多目标优化问题。然而，缺乏一个最新的和全面的软件平台，研究人员适当基准现有的算法和从业人员应用选定的算法来解决他们的现实世界的问题。这样一个共同的工具的需求变得更加迫切，当许多提出的算法的源代码还没有公开。为了解决这些问题，我们开发了一个进化多目标优化的MATLAB平台，称为PlatEMO，其中包括50多个多目标进化算法和100多个多目标测试问题，以及几个广泛使用的性能指标。PlatEMO具有用户友好的图形用户界面，使用户能够轻松地一次比较几种进化算法，并在Excel或LaTeX文件中收集统计结果。更重要的是，PlatEMO是完全开源的，用户可以在此基础上开发新的算法，本文介绍了PlatEMO的主要特点，并举例说明了如何使用它进行比较实验、嵌入新算法、创建新的测试问题和开发性能指标。PlatEMO的源代码现在可以在http://bimk.ahu.edu.cn/index.php?上获得s=/Index/Software/index.html.
2017-01-04 cs.NE
Analyzing the Landscape of the Indicator-based Subset Selection Problem
本文通过传统景观分析测度和精确局部最优网络分析基于指标的subset selection问题景观，揭示了质量指标选择与Pareto前沿形状对景观特征的影响，并发现加性ε-指标实例具有高中性和大量局部最优。
2025-04-11 cs.NE
Nonsmooth Set-Gradient Ascent to the Pareto Front via Layered Hypervolume and Magnitude Indicators
Faculty of Information Technology, University of Jyväskylä（于韦斯屈莱大学信息技术学院）
本文提出了一种非光滑集梯度上升方法，用于将有限近似集向多目标优化的帕累托前沿移动。方法优化分层集指标，结合快速递减权重，以确定非支配和支配点的上升方向，并防止更深层补偿第一前沿的退化。
2026-05-13 cs.NA cs.NE math.NA
Uncrowded Hypervolume Improvement: COMO-CMA-ES and the Sofomore framework
我们提出了一个框架，建立一个多目标算法从单目标的。该框架解决了在n维搜索空间中找到p个解决方案的$p \times n$维问题，通过动态子空间优化最大化指标。每个单目标算法优化给定$p - 1$固定解的指示函数。至关重要的是，支配解使它们与由这些$p - 1$解定义的经验帕累托前沿的距离最小化。我们实例化的框架与CMA-ES作为单目标优化器。新算法，COMO-CMA-ES，经验表明，双目标凸二次问题的线性收敛，并比较MO-CMA-ES，NSGA-II和SMS-EMOA。
2019-04-18 cs.NE math.OC
A Better Multi-Objective GP-GOMEA -- But do we Need it?
本文研究多目标模块化GP-GOMEA在符号回归中平衡准确性与可解释性的效果，发现即使经过改进，单目标版本仍能持续获得更好的平均超体积，并分析了应优先选择单目标方法的条件，同时探索了促进子表达式复用的目标。
2025-07-04 cs.NE
Competitive Coevolution as an Adversarial Approach to Dynamic Optimization
动态优化，目标函数随时间变化，吸引了大量的研究，由于与许多现实世界的问题固有的不确定性。进化算法由于其对噪声的鲁棒性，在动态优化方面具有巨大的潜力。另一方面，EA也因其高计算复杂性而受到批评，这似乎与现实世界动态优化的核心要求相矛盾，即，对环境变化的快速适应（通常在挂钟时间方面）。到目前为止，EA是否真的会导致一个真正有效的方法，为现实世界的动态优化仍然不清楚。在本文中，采用EA的动态优化的背景下，一个新的框架进行了探索。我们建议，而不是不断变化的目标函数的在线进化（搜索）的解决方案，EA更适合以离线的方式获得解决方案的档案，可以通过构建一个系统，以提供高质量的解决方案，有效地在动态环境中。具体来说，我们首先将动态优化问题转化为面向静态集合的优化问题。然后，一种特殊类型的进化算法，即竞争协同进化，被用来搜索档案的解决方案，在一个对抗的方式。针对连续动态约束优化问题对通用框架进行了实例化，实证结果表明了所提出框架的潜力。
2019-12-09 cs.NE
Variable Metric Evolution Strategies for High-dimensional Multi-Objective Optimization
针对高维多变量问题，结合协方差矩阵自适应扩展算法与多目标进化策略，开发了基于指标选择的最先进多目标优化器，性能优于全协方差矩阵自适应。
2024-12-20 cs.NE
