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
Runtime Analysis for the NSGA-II: Proving, Quantifying, and Explaining the Inefficiency For Many Objectives
School of Computer Science and Technology（计算机科学与技术学院）；International Research Institute for Artificial Intelligence（国际人工智能研究院）；Harbin Institute of Technology（哈尔滨工业大学）；Laboratoire d’Informatique (LIX)（信息学实验室（LIX））；École Polytechnique（巴黎综合理工学院）；CNRS（法国国家科学研究中心）；Institut Polytechnique de Paris（巴黎理工学院）
本文通过数学运行时分析证明并量化了NSGA-II在目标数至少为三时的低效性，指出拥挤距离计算中目标被独立处理是导致其无法在次指数时间内求出完整Pareto前沿的根本原因。
2023-09-26 cs.AI cs.NE
The First Proven Performance Guarantees for the Non-Dominated Sorting Genetic Algorithm II (NSGA-II) on a Combinatorial Optimization Problem
École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）；CNRS（法国国家科学研究中心）；Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）
本研究首次证明了NSGA-II在NP完全双目标最小生成树问题上的性能保证，同时改进了全局SEMO算法的相关分析，证实多目标进化算法并行寻优的特性。
2023-06-09 cs.AI cs.DS cs.NE
Improved Crowding Distance for NSGA-II
Tsinghua University（清华大学）
非支配排序遗传算法II（NSGA-II）在处理多目标问题方面有较好的效果。在评价多目标问题算法的有效性时，往往同时考虑两类指标，即收敛到Pareto前沿和分布特性。标准NSGA-II中的拥挤距离具有三次函数内的解具有相同的拥挤距离的性质，这对算法的收敛性没有贡献。事实上，一个解决方案越接近帕累托前沿，它就应该有更高的优先级。本文在保留原拥挤距离的优点的基础上，重新定义了拥挤距离。而且，收敛到帕累托前沿的速度更快。最后，通过对9个Benchmark问题的求解，验证了改进的有效性.
2018-11-30 cs.AI cs.NE
Speeding Up the NSGA-II With a Simple Tie-Breaking Rule
针对NSGA-II在离散搜索空间处理多目标困难及对种群规模敏感的问题，提出简单平局决胜规则，通过数学运行时分析证明其在经典基准上的有效性，多目标下高效且双目标种群规模适度增加时运行时不增。
2024-12-17 cs.NE
From Understanding the Population Dynamics of the NSGA-II to the First Proven Lower Bounds
由于更复杂的人口动态的NSGA-II，没有现有的运行时保证该算法是伴随着一个非平凡的下限。通过对NSGA-II种群动力学的第一个数学理解，即通过估计具有一定目标值的个体的期望数量，证明了具有适当种群规模的NSGA-II需要$Ω(Nn\log n)$函数评价来找到OneMinMax问题的Pareto前沿，以及需要$Ω(Nn^k)$评价具有跳跃大小$k$的OneJumpZeroJump问题.这些边界是渐近紧的（也就是说，它们匹配先前显示的上界），并表明NSGA-II在这里甚至没有在并行运行时（迭代次数）从更大的人口规模中获益。对于OneJumpZeroJump问题，当使用相同的排序来计算两个目标的拥挤距离贡献时，我们甚至可以获得包括前导常数在内的紧密的运行时估计。
2023-03-10 cs.AI cs.DS cs.NE
Evolvability Degeneration in Multi-Objective Genetic Programming for Symbolic Regression
遗传编程（GP）是目前发现符号回归模型的最佳方法之一。为了找到平衡精度和复杂性的模型，非支配排序遗传算法II（NSGA-II）被广泛使用。不幸的是，NSGA-II可能效率低下：在早期几代中，低复杂度模型过度复制并接管了大部分人口。因此，研究提出了促进多样性的不同方法。在这里，我们研究这个问题的根源，以设计一个更好的方法。我们发现，低复杂度模型的过度复制是由于缺乏可进化性，即，无法产生具有改进的准确性的后代。因此，我们扩展NSGA-II跟踪，随着时间的推移，不同层次的复杂性模型的演化。有了这些信息，我们就限制了每个复杂度级别的模型在生成过程中可以存活的数量。我们比较了这个新版本的NSGA-II，evoNSGA-II，使用现有的七个多目标GP的方法对10个广泛使用的数据集，并发现evoNSGA-II是等于或优于使用这些方法在几乎所有的比较。此外，我们的研究结果证实了evoNSGA-II的行为符合预期：大多数群体的模型更容易进化。
2022-02-16 cs.NE
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
An Improved multi-objective genetic algorithm based on orthogonal design and adaptive clustering pruning strategy
Beijing University of Technology（北京工业大学）；Henan Normal University（河南师范大学）
多目标进化算法的两个重要特征是分布性和收敛性。作为一种经典的多目标遗传算法，NSGA-Ⅱ被广泛应用于多目标优化领域。然而，在NSGA-Ⅱ中，随机的种群初始化和基于距离的种群保持策略不能很好地保持种群的分布或收敛性。针对这两个缺陷，本文提出了一种改进算法OTNSGA-II II，该算法在分布性和收敛性方面具有更好的性能。该算法采用正交试验法，以一种新的不连续非支配排序和拥挤距离的方式选择个体，产生初始种群。提出了一种基于聚类的剪枝策略，根据聚类结果的类内聚集程度，自适应地对特征相似、非支配排序和拥挤距离表现较差或远离Pareto前沿的个体进行剪枝。新的剪枝策略使种群更容易收敛到Pareto前沿，并保持种群的分布。在不同类型的测试函数上对OTNSGA-II和NSGA-II进行了比较，验证了OTNSGA-II在分布性和收敛性方面的改进。
2019-01-03 cs.AI cs.NE
Evolutionary Multi-Objective Optimization Framework for Mining Association Rules
Institute for Development and Research in Banking Technology（银行技术发展与研究院）；University of Hyderabad（海得拉巴大学）
在本文中，两个多目标优化框架在两个变体（即，NSGA-III-ARM-V1，NSGA-III-ARM-V2;和MOEAD-ARM-V1，MOEAD-ARM-V2）从事务数据集中发现关联规则。第一个框架使用非支配排序遗传算法III（NSGA-III）和第二个框架使用基于分解的多目标进化算法（MOEA/D）来发现具有多样性、非冗余性和非支配性（具有高目标函数值）的关联规则。在这两个框架中，都不需要规定最低支持度和最低置信度。在第一种变体中，支持度、置信度和提升被认为是目标函数，而在第二种变体中，置信度、提升和兴趣度被认为是目标函数。这些框架在七种不同类型的数据集上进行了测试，其中包括两个真实的银行数据集。我们的研究表明，NSGA-III-ARM框架在大多数数据集的两个变体中都比MOEAD-ARM框架更好。
2020-03-20 cs.LG cs.NE
Rank-based Non-dominated Sorting
非支配排序是基于Pareto的多目标进化算法（MOEAs）中的一个计算瓶颈，因为在候选解之间建立支配关系需要大量的比较操作。在本文中，我们介绍了秩排序，非支配排序方法利用排序稳定性和有序信息，以避免昂贵的优势比较的秩分配阶段。提出了两种算法变体：第一种是RankOrdinal（RO），使用序数秩比较来确定优势，需要O（N）空间;第二种是RankIntersect（RS），使用集合交集和位级并行，需要O（N^2）空间。我们证明了所提出的方法的效率相比，其他国家的最先进的算法在经验模拟使用NSGA 2算法以及合成基准。RankIntersect算法能够显著优于当前最先进的技术，为许多目标提供高达30%的加速。所有算法都提供了C++实现。
2022-03-28 cs.CC cs.DS cs.NE
Optimal Prediction Intervals for Macroeconomic Time Series Using Chaos and NSGA II
Institute for Development and Research in Banking Technology（银行技术发展研究院）；University of Hyderabad（海得拉巴大学）
本文首次将时间序列的预测区间构造问题归结为一个双目标优化问题，并采用非支配排序遗传算法（NSGA-II）求解。我们还建议将时间序列中存在的混沌建模为预处理器，以便对时间序列中存在的确定性不确定性进行建模。尽管所提出的模型是通用的，但它们在这里用于量化宏观经济时间序列预测中的不确定性。理想的PI应该尽可能窄，同时捕获大多数数据点。基于这两个目标，我们制定了一个双目标优化问题，以生成PI的2个阶段，其中重建相空间使用混沌理论（阶段1），其次是使用NSGA-II生成最佳点预测，这些点预测反过来又用于获得PI（阶段2）。我们还提出了一个3阶段的混合，其中第3阶段调用NSGA-II，以解决从第2阶段获得的点预测构造PI的问题。所提出的模型应用于宏观经济时间序列时，产生了更好的结果，在预测区间覆盖概率（PICP）和预测区间平均宽度（PIAW）相比，最先进的最低上限估计方法（LUBE）与梯度下降（GD）。与2阶段模型相比，3阶段模型产生了更好的PICP，但在PIAW中表现出相似的性能，但第二次运行NSGA-II的计算成本增加。
2021-02-23 cs.LG cs.NE
Guiding the Search Towards Failure-Inducing Test Inputs Using Support Vector Machines
本文提出 NSGA-II-SVM，利用 SVM 模型迭代引导遗传搜索聚焦可能揭示故障的测试输入区域，并在自动代客泊车系统上验证其优于现有可学习进化测试与随机搜索。
2024-01-22 cs.NE cs.SE
On Asynchronous Non-Dominated Sorting for Steady-State Multiobjective Evolutionary Algorithms
在并行和分布式环境中，世代进化算法往往不利用计算系统的全部潜力，因为它们必须等到整个人口进行评估，然后才开始选择程序。稳态算法通常被视为解决这个问题的一种方法，因为适应度评估可以由多个线程以异步方式完成。但是，如果算法以复杂的方式更新其状态，线程最终将不得不等待更新完成。在多目标进化算法中，状态更新过程的计算开销很大。我们已经实现了一个异步稳态版本的NSGA-II算法。它最昂贵的部分，非支配排序，决定了更新状态所需的时间。我们把现有的增量非支配排序算法变成一个异步的使用几个并发技术：一个单一的入口级锁，细粒度的锁与非支配级别，和一个非阻塞的方法，使用比较和设置操作。我们的实验结果揭示了算法的工作效率和实现的并行量之间的权衡。
2018-04-14 cs.DS cs.NE
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
Multiobjective hBOA, Clustering, and Scalability
本文描述了一种可扩展的算法来解决多目标可分解问题相结合的分层贝叶斯优化算法（hBOA）与非支配排序遗传算法（NSGA-II）和聚类的目标空间。首先认为，良好的可扩展性，集群或其他形式的小生境在目标空间是必要的，每个小生境的大小应该大致相等。然后描述了多目标hBOA（mohBOA），它结合了hBOA，NSGA-II和目标空间中的聚类。该算法mohBOA不同于BOA和hBOA在过去提出的多目标变量，包括在目标空间中的聚类和分配人口的一个近似相等大小的部分，每个集群。该算法mohBOA的规模以及标准的多目标进化算法执行不佳的一些问题。
2005-02-07 cs.AI cs.NE
Constrained Multi-Objective Genetic Algorithm Variants for Design and Optimization of Tri-Band Microstrip Patch Antenna loaded CSRR for IoT Applications: A Comparative Case Study
Mohammed V University（穆罕默德五世大学）
本文提出基于多目标遗传算法的三频带微带贴片天线优化方法，通过整合多个性能指标实现多频段谐振与低回波损耗的平衡。
2026-01-24 cs.NE cs.NI
Multi-robot Cooperative Box-pushing problem using Multi-objective Particle Swarm Optimization Technique
Jaya Engineering College（贾亚工程学院）；Jadavpur University（贾达普大学）
本文提出了一种新的方法来解决著名的多机器人合作推箱问题作为一个多目标优化问题，采用改进的多目标粒子群优化算法。这里提出的方法允许在移动到期望的目标位置期间转动和平移盒子。我们已经采用了本地规划方案，以确定由两个移动机器人在盒子上的特定位置垂直地施加的力的大小，以在盒子的运动的每个不同的步骤中对齐和平移它，以最小化时间和能量。最后将所得结果与用非支配排序遗传算法-Ⅱ（NSGA-II）求解同一问题的结果进行了比较。该计划被发现，以提供更好的结果相比，NSGA-II。
2012-05-03 cs.NE cs.RO
Highlights of Semantics in Multi-objective Genetic Programming
语义是遗传编程（GP）中的一个不断增长的研究领域，并且是指遗传编程个体在执行时的行为输出。本研究通过提出一种新的方法扩展了当前对语义的理解：基于语义的距离作为附加标准（SDO），在迄今为止，在多目标GP（MOGP）中语义的研究领域有些有限。我们的工作包括GP的性能和多样性指标方面的扩展分析，使用两个额外的基于语义的方法，即基于语义相似性的交叉（SCC）和基于语义的拥挤距离（SCD）。每种方法被集成到两个进化多目标（EMO）框架：非支配排序遗传算法II（NSGA-II）和强度帕累托进化算法2（SPEA 2），并随着这三种语义方法，规范形式的NSGA-II和SPEA 2进行了严格的比较。使用高度不平衡的二进制分类数据集，我们证明了新提出的SDO方法始终生成更多的非支配解，具有更好的多样性和改进的超体积结果。
2022-06-13 cs.NE
Evolutionary Multi Objective Optimization Algorithm for Community Detection in Complex Social Networks
大多数基于优化的社区发现方法在单目标或双目标框架中制定问题。在本文中，我们提出了两个变种的三个目标制定使用定制的非支配排序遗传算法III（NSGA-III），以找到社区结构的网络。在第一个变体NSGA-III-KRM中，我们将Kernelk means，Ratio cut和Modularity作为三个目标，而第二个变体NSGA-III-CCM将Community score，Community fitness和Modularity作为三个目标函数。在四个基准网络数据集上进行了实验。与最先进的方法以及基于分解的多目标进化算法变体（MOEA/D-KRM和MOEA/D-CCM）的比较表明，所提出的变体产生相当或更好的结果。这一点特别重要，因为增加第三个目标不会使其他两个目标的结果恶化。我们还提出了一个简单的方法来排名的Pareto解决方案，因此，提出了一个新的措施，即超体积和倒世代距离（IGD）的比率。比例越高，帕累托集越好。这一战略是特别有用的，在多目标框架，其中目标的数量是两个以上的经验实现功能的情况下。
2020-05-07 cs.NE cs.SI
Design of OFDM radar pulses using genetic algorithm based techniques
进化算法在求解凸优化问题中的优点已得到广泛认可。本文提出了一种基于遗传算法（GA）优化的波形设计框架，以改善依赖于正交频分复用（OFDM）结构的雷达脉冲特性。我们的优化技术的重点是找到最佳的相位码序列的OFDM信号。由于我们考虑了两种不同的雷达处理解决方案，因此使用了几个最优性标准，这些解决方案要求单目标或多目标优化。当所谓的峰均包络功率比（PMEPR）单目标的最小化处理，我们比较我们的研究结果与现有的方法，并强调我们的方法的优点。在双目标优化的范围内，我们首先解决PMEPR和峰值旁瓣电平比（PSLR），并表明我们的方法的基础上的非支配排序遗传算法-II（NSGA-II）提供了设计解决方案，而不是随机设置的相位码有显着的改善。然后，我们研究另一个感兴趣的案例，其中目标函数是旁瓣电平的两个度量，即PSLR和集成旁瓣电平比（ISLR），并建议修改NSGA-II以包含对PMEPR的约束。在最后一部分中，我们通过一个案例研究说明了我们的编码解决方案如何能够最小化单目标PMEPR，同时启用目标检测增强策略，当SNR度量将被选择用于检测框架时。
2015-06-19 cs.NE
Using Shape Constraints for Improving Symbolic Regression Models
我们描述和分析算法的形状约束的符号回归，它允许包括先验知识的回归函数的形状。这在工程的许多领域都是相关的-特别是当从测量中获得的数据驱动模型必须具有某些属性（例如正性，单调性或凸性）时。我们实现形状约束使用软惩罚的方法，使用多目标算法，以尽量减少违反约束和训练误差。我们使用非支配排序遗传算法（NSGA-Ⅱ）以及基于分解的多目标进化算法（MOEA/D）。我们使用一组模型，从物理教科书中测试的算法，并与早期的结果与单目标算法进行比较。结果表明，所有算法都能够找到符合所有形状约束的模型。使用形状约束有助于改善模型的外推行为。
2021-07-20 cs.NE
Multi-Objective Optimisation of Cortical Spiking Neural Networks With Genetic Algorithms
脉冲神经网络（SNN）通过神经元的全或无脉冲活动进行通信。然而，将大量的SNN模型参数拟合到观察到的神经活动模式，例如在生物实验中，仍然是一个挑战。以前的工作，使用遗传算法（GA）优化一个特定的高效SNN模型，使用Izhikevich神经元模型，仅限于一个单一的参数和目标。这项工作应用了一种称为非支配排序GA（NSGA-III）的GA版本，以证明对同一SNN执行多目标优化的可行性，重点是搜索网络连接参数，以实现兴奋性和抑制性神经元类型的目标放电率，包括不同的网络连接稀疏性。我们表明，NSGA-III可以很容易地优化各种射击率。值得注意的是，当兴奋性神经元的放电率高于或等于抑制性神经元的放电率时，误差较小。此外，当连接稀疏性被认为是一个参数进行优化，最佳的解决方案需要稀疏的网络连接。我们还发现，兴奋性神经元的放电率低于抑制性神经元，误差一般较大。总的来说，我们已经成功地证明了对经常性和稀疏SNN的网络参数实施多目标GA优化的可行性。
2021-05-14 cs.NE q-bio.NC
Evaluation and Efficiency Comparison of Evolutionary Algorithms for Service Placement Optimization in Fog Architectures
本研究针对雾服务布局问题，对比WSGA、NSGA-II、MOEA/D三种进化算法，通过不同规模实验验证了NSGA-II的优化与解多样性优势、MOEA/D的时间效率优势。
2025-01-17 cs.DC 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
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
Multi objective Fitness Dependent Optimizer Algorithm
本文提出了最近推出的适应度相关优化（FDO）的多目标变种。该算法被称为多目标适应度相关优化器（MOFDO），并配备了所有五种类型的知识（情景，规范，地形，域和历史知识）在FDO。MOFDO在两个标准基准上进行了测试，用于性能验证目的;经典ZDT测试函数，这是一个广泛的测试套件，其名称来自其作者Zitzler，Deb和Thiele，以及IEEE演化计算基准大会（CEC 2019）多模态多目标函数。MOFDO的结果进行了比较的最新变种的多目标粒子群优化（MOPSO），非支配排序遗传算法第三次改进（NSGA-III），和多目标优化算法（MODA）。比较研究表明，在大多数情况下，MOFDO的优越性和比较结果在其他情况下。此外，MOFDO用于优化现实世界的工程问题（例如，焊接梁设计问题）。据观察，该算法成功地提供了各种各样的分布良好的可行的解决方案，使决策者有更多的适用舒适的选择考虑。
2023-01-26 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
Fractional Order Load-Frequency Control of Interconnected Power Systems Using Chaotic Multi-objective Optimization
Indian Institute of Technology Delhi（印度德里理工学院）；Jadavpur University（贾达普大学）；University of Southampton（南安普顿大学）
本文研究了使用混沌多目标优化设计分数阶PI控制器以提高互联电力系统的负荷频率控制性能，通过比较不同优化算法的解质量和计算时间，验证了FOPID控制器在处理冲突时间域设计目标方面的优势。
2016-11-29 cs.NE cs.SY eess.SY
Transfer Learning based Dynamic Multiobjective Optimization Algorithms
动态多目标优化问题（DMOP）的一个主要特点是优化目标会随着时间的推移而变化，因此跟踪变化的Pareto最优前沿成为一个挑战。其中一个有前途的解决方案是通过统计机器学习方法重用“经验”来构建预测模型。然而，大多数现有的方法忽略了用于构建预测模型的数据的非独立和同分布的性质。在本文中，我们提出了一个算法框架，称为Tr-DMOEA，它集成了迁移学习和基于种群的进化算法求解DMOP。该方法以迁移学习方法为工具，帮助重用过去的经验，以加快进化过程，同时，任何基于人口的多目标算法可以受益于这种集成，而无需任何广泛的修改。为了验证这一点，我们将所提出的方法发展到三个著名的算法，非支配排序遗传算法II（NSGA-II），多目标粒子群优化（MOPSO），和基于规则模型的多目标估计分布算法（RM-MEDA），然后采用12个基准函数来测试这些算法，以及与一些选择的国家的最先进的设计比较。实验结果证实了该方法的有效性，通过利用机器学习技术。
2017-11-18 cs.NE
Multi-Objective Communication Optimization for Temporal Continuity in Dynamic Vehicular Networks
针对车载自组织网络高动态易中断的问题，提出融合时间连续性的多目标鲁棒优化框架，结合增强型NSGA-II算法平衡多目标权衡，显著提升通信性能，为智能交通系统提供参考。
2024-11-30 cs.NE
Causal-Guided Dimension Reduction for Efficient Pareto Optimization
提出因果引导降维框架 CaDRO，通过构建因果图识别并固定低影响参数，在保持 Pareto 质量的同时使模拟电路多目标优化收敛速度提升达 10 倍。
2025-10-11 cs.NE cs.SY eess.SY
Customized Exploration of Landscape Features Driving Multi-Objective Combinatorial Optimization Performance
Jozef Stefan International Postgraduate School（乔泽夫·斯塔芬国际研究生学院）；Jozef Stefan Institute（乔泽夫·斯塔芬研究所）；University of Stirling（斯特林大学）
本文通过C-PLOS-net景观特征分析，揭示了影响PLS、GSEMO和NSGA-II在特定rmnk多目标组合优化问题上性能的关键特征组合，为算法选择与调优提供了定制化依据。
2025-07-02 cs.AI cs.NE
Building an Effective Intrusion Detection System using Unsupervised Feature Selection in Multi-objective Optimization Framework
入侵检测系统（IDS）是为了检测攻击行为，保护网络安全而开发的.本文提出了一种用于分析网络数据的无监督特征选择技术。非支配排序遗传算法（NSGA-II）的搜索能力已被用于优化三个不同的目标函数，利用不同的信息理论措施，包括互信息，标准偏差，和信息增益，以确定互斥和高变子集的功能。最后，帕累托最优前的不同的最佳特征子集，这些特征子集被用于开发分类系统，使用不同的流行的机器学习模型，如支持向量机，决策树和k-最近邻（k=5）分类器等。我们已经评估了KDD-99，NSL-KDD和京都2006+数据集上的算法的结果。在KDD-99数据集上的实验结果表明，决策树比其他分类器具有更好的分类效果。该系统获得了99.78%的准确率，99.27%的检测率和0.2%的误报率的最佳结果，这是优于所有以前的结果KDD数据集。我们取得了99.83%的准确率为20%的测试数据的NSL-KDD数据集和京都数据集上的10倍交叉验证的准确率为99.65%。该方案最吸引人的特点是在选择合适的特征子集的过程中，不使用标记信息，并使用多目标优化框架同时优化不同的特征质量度量。
2019-05-16 cs.NE
Multi-objective Binary Differential Approach with Parameter Tuning for Discovering Business Process Models: MoD-ProM
提出一种基于二元差分进化的多目标流程发现方法MoD-ProM，通过参数调优生成多样化候选模型，优于或媲美现有算法。
2024-06-25 cs.NE
Simplified Swarm Optimization for Bi-Objection Active Reliability Redundancy Allocation Problems
National Tsing Hua University（国立清华大学）
可靠性冗余分配问题（RRAP）是系统设计、开发和管理中的一个著名工具。RRAP通常被建模为非线性混合整数非确定性多项式时间硬度（NP-hard）问题。为了最大化系统的可靠性，必须确定整数（部件活动冗余水平）和实变量（部件可靠性），以确保满足成本限制和一些非线性约束。在这项研究中，一个双目标RRAP制定通过改变成本约束作为一个新的目标，因为它是必要的，以平衡整个系统的可靠性和成本的影响，在实际应用中。为了解决该问题，基于全因子设计中选取的罚函数、实单型解结构、基于数量的自适应更新机制、约束非支配解选择和pBest替换策略，提出了一种新的简化群优化算法（SSO），以高效地找到Pareto解.所提出的SSO优于几种元启发式最先进的算法，例如，非支配排序遗传算法II（NSGA-II）和多目标粒子群优化（MOPSO），根据实验结果的四个基准问题，涉及双目标主动RRAP。
2020-06-17 cs.LG cs.NE
Continuous Cartesian Genetic Programming based representation for Multi-Objective Neural Architecture Search
INAOE（国家天体物理光学与电子研究所）
提出基于连续 CGP 的块链式 CNN 表示，并结合多种 MOEA 实现多目标 NAS，在 CIFAR-10/100 上取得兼具准确率与低复杂度的竞争力结果。
2023-06-05 cs.CV cs.NE
Solving dynamic multi-objective optimization problems via support vector machine
Xiamen University（厦门大学）；City University of Hong Kong（香港城市大学）
动态多目标优化问题是指目标函数随时间变化的优化问题。求解DMOP意味着可以准确地找到不同时刻的Pareto最优集（POS），由于优化问题的动态性，这是一项非常困难的工作。过去获得的POS可以帮助我们更快更准确地找到下一次的POS。因此，本文提出了一种基于支持向量机的动态多目标进化优化算法SVM-DMOEA。该算法利用已获得的POS对SVM进行训练，然后利用训练好的SVM对下一时刻的动态优化问题的解进行分类，从而生成由训练好的SVM识别的不同个体组成的初始种群。初始种群可以被馈送到任何基于种群的优化算法中，例如，非支配排序遗传算法II（NSGA-II），得到此时的POS。实验结果表明了该方法的有效性。
2019-10-19 cs.AI cs.LG cs.NE
TX-Gen: Multi-Objective Optimization for Sparse Counterfactual Explanations for Time-Series Classification
Institute of Advanced Computer Science, Leiden University（莱顿大学高级计算机科学研究所）
TX-Gen提出基于NSGA-II的进化多目标优化算法，生成稀疏、有效且与原始序列差异最小的反事实解释，提升时间序列模型的透明度和可解释性。
2024-11-11 cs.AI cs.LG cs.NE
A Case Study on Optimization of Warehouses
在仓库中，订单拣选是已知的最劳动密集型和成本最高的任务，其中员工占仓库性能的很大一部分。因此，存在许多方法，基于不同的经济标准优化订单拣选过程。然而，大多数这些方法集中在一个单一的经济目标，一次，而忽视人体工程学的标准，在其优化。此外，要挑选的物品的放置的影响被低估，因此，太少注意到这两个问题的相互依赖性。在这项工作中，我们的目标是优化的存储分配和夹层仓库内的订单拣选问题的相互影响。我们提出了一个定制版本的非支配排序遗传算法II（NSGA-II）的优化存储分配问题，以及蚁群优化（ACO）算法优化订单拣选问题。这两种算法同时结合了多个经济和人体工程学约束。此外，算法结合了这两个问题之间的相互依赖性的知识，旨在提高整体仓库的性能。我们的评估结果表明，我们提出的算法返回更好的存储分配和顺序挑选路线相比，常用的技术，用于比较帕累托前沿的质量指标：覆盖范围，世代距离，欧几里得距离，帕累托前沿大小，和倒置世代距离。此外，关于这两种算法的相互作用的评估显示出更好的性能时，结合这两种算法。
2021-11-23 cs.DB cs.NE
Joint UAV Activation and Placement for Post-Disaster Wireless Restoration via a Hybrid Quantum-Inspired Evolutionary Framework
Mohammed V University in Rabat（拉巴特穆罕默德五世大学）；Hassania School of Public Works (EHTP)（哈桑尼亚公共工程学院）；School of Management, Telecommunications and Computer Science (SUPMTI)（管理、电信与计算机科学学院）；Fordham University（福特汉姆大学）；Misr Higher Institute for Commerce and Computers（埃及商贸计算机高等学院）
针对灾后通信恢复，提出混合K均值量子启发进化算法（HKQEA）联合优化无人机激活与布署，最小化数量并满足约束，实验表明用8架无人机实现高覆盖率与可行性，节省硬件成本。
2026-09-16 cs.NE
A GP-MOEA/D Approach for Modelling Total Electron Content over Cyprus
Frederick University（弗雷德里克大学）
针对vTEC建模中逼近能力与泛化能力冲突的问题，提出GP-MOEA/D方法，基于11年实测数据建模塞浦路斯上空vTEC，效果优于多种对比方法，可用于校正定位的电离层误差。
2011-11-24 cs.AI cs.NE
Multi-objective Optimal Control of Dynamic Integrated Model of Climate and Economy: Evolution in Action
研究气候变化经济学的广泛使用的模型之一是气候与经济的动态综合模型（DICE），该模型由2018年诺贝尔经济学奖获得者之一William Nordhaus教授开发。DICE动力学最初被定义为一个单目标最优控制问题，其目标是使社会福利最大化。本文在DICE模型上定义了一个双目标最优控制问题，其目标是最大化社会福利和最小化大气温度偏差。这个多目标最优控制问题的解决，使用非支配排序遗传算法II（NSGA-II），它也是比较以前的作品单目标版本的问题。由此产生的帕累托前沿重新发现以前的结果，并推广到广泛的非主导解决方案，以最大限度地减少全球温度偏差，同时优化经济福利。以前使用的单目标方法无法创建这样多种可能性，因此，其提供的解决方案在视觉和可达到的性能方面受到限制。除此之外，由此产生的帕累托最优集揭示了一个事实，即温度偏差不能低于某个下限，除非我们有重大的技术进步或全球条件的积极变化。
2020-06-29 cs.NE cs.SY econ.GN
Multi-objective Active Control Policy Design for Commensurate and Incommensurate Fractional Order Chaotic Financial Systems
Imperial College London（帝国理工学院）；University of Southampton（南安普顿大学）；Bhabha Atomic Research Centre（巴哈原子研究中心）
本文针对分数阶金融系统设计多目标主动控制策略，通过多目标优化框架选择控制器参数，分析了渐近稳定性和多目标之间的权衡关系，并对比了三种多目标优化算法的性能。
2016-11-29 cs.CE cs.NE cs.SY
Efficient Disruption of Criminal Networks through Multi-Objective Genetic Algorithms
Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）；AiLECS Lab, Faculty of Information Technology, Monash University（莫纳什大学信息技术学院AiLECS实验室）
本文提出基于多目标优化的WS-GA和NSGA-II算法，平衡网络碎片化与运营成本，提升执法机构打击犯罪网络的效率与策略性。
2026-03-27 cs.AI cs.NE
Robust blue-green urban flood risk management optimised with a genetic algorithm for multiple rainstorm return periods
本研究提出一种结合NSGA-II与全分布式水动力模型的多目标优化框架，纳入五个暴雨重现期，以直接损害成本和期望年损害为目标，优化蓝绿基础设施设计，提升洪水风险管理的稳健性，并显著改善性能指标。
2025-09-08 cs.CE cs.CY cs.NE
