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
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
New Model for Multi-Objective Evolutionary Algorithms
多目标进化算法是解决多目标优化问题的有效方法。到目前为止，已经提出了数十个MOEA。统一模式将为建立新的多边环境协定提供一个更系统的办法。在这里，提出了一个新的模型，其中包括两个子模型的基础上两类不同的模式MOEA。在此基础上，对一些有代表性的算法进行了分解，并讨论了一些有趣的问题.
2011-01-31 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
Evolutionary Algorithms and Multi-Objective Minimum Spanning Trees with Limited Distinct Weight Values
Univ. Lille, CNRS, Centrale Lille, UMR 9189 CRIStAL（里尔大学、法国国家科学研究中心、中央理工学院、CRIStAL联合研究实验室）；University of Minnesota Duluth（明尼苏达大学德卢斯分校）；Adelaide University（阿德莱德大学）
研究当边权取少量不同值时帕累托前沿的结构，基于此推导进化多目标算法的新运行时界，并通过实验验证。
2026-06-17 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
Specific Single- and Multi-Objective Evolutionary Algorithms for the Chance-Constrained Knapsack Problem
机会约束背包问题是经典背包问题的一个变种，其中每个项目都有一个权重分布，而不是一个确定的权重。目标是在所选项目的权重仅以小概率$α$超过给定的权重界限的条件下，使所选项目的总利润最大化。在本文中，考虑特定问题的单目标和多目标的方法的问题。我们研究了使用重尾突变，并引入了一个特定问题的交叉算子来处理机会约束背包问题。单目标进化算法的实证结果表明，我们的运营商相比，使用经典的运营商的有效性。此外，我们引入了一个新的有效的多目标模型的机会约束背包问题。我们使用该模型结合多目标进化算法中的问题特定的交叉算子来解决这个问题。我们的实验结果表明，这导致显着的性能改善时，使用的方法在进化多目标算法，如GSEMO和NSGA-II。
2020-04-08 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
An Effective and Efficient Evolutionary Algorithm for Many-Objective Optimization
在进化多目标优化中，有效性是指进化算法如何将其解收敛到帕累托前沿并使其在前沿多样化。这不是一件容易的工作，特别是对于具有三个以上目标的优化问题，称为多目标优化问题。在这样的问题中，经典的基于帕累托的算法无法向帕累托前沿提供足够的选择压力，而最近开发的算法（诸如基于分解的算法）可能难以在某些问题上维持一组分布良好的解决方案（例如，不规则的Pareto前沿）。在一些多目标优化器中的另一个问题是随着目标的数量而快速增加的计算需求，例如基于超体积的算法和基于移位的密度估计（SHIP）方法。在本文中，我们的目标是解决这个问题，并开发一个有效的和高效的进化算法（E3A），可以处理各种多目标问题。在E3A中，受环境选择的启发，提出了一种新的种群维护方法来选择高质量的解决方案。我们进行了广泛的实验，并表明，E3A表现优于11个国家的最先进的多目标进化算法，快速找到一组收敛良好，多样化的解决方案。
2022-10-25 cs.NE
Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization
本文针对单目标多模态和多目标优化问题，提出结合混沌演化与小生境技术的CEDC和CECA算法，并扩展出包含不确定性选择和自适应调参的综合框架，显著提升了优化精度与鲁棒性。
2024-11-12 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
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
Learnable Evolutionary Multi-Objective Combinatorial Optimization via Sequence-to-Sequence Model
本文提出 SeqMO，利用序列到序列指针网络学习近似 Pareto 解之间的映射和进化轨迹，以引导多目标组合优化搜索，并在两类基准问题上验证有效。
2024-12-09 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
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
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
Polyploidy and Discontinuous Heredity Effect on Evolutionary Multi-Objective Optimization
本文研究了在进化多目标优化算法中模拟生物细胞中多条染色体引起的不连续遗传的效果。在这种表示中，表型可能不完全反映基因型。通过这样做，我们正在模仿生物体的遗传机制，其中特征可能会默默地携带许多代，以便稍后重新出现。在每个解决方案向量中具有不同数量的染色体的表示在具有大量决策变量和目标的不同基准问题上进行测试。在所有问题上与非支配排序遗传算法-Ⅱ进行了比较。
2013-03-02 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
Decomposition Multi-Objective Evolutionary Optimization: From State-of-the-Art to Future Opportunities
分解是经典数学规划中多目标优化和多准则决策的主流方法。然而，直到基于分解的多目标进化算法（MOEA/D）的发展，才在进化多目标优化的背景下对其进行了适当的研究。在这篇文章中，我们提出了一个全面的调查MOEA/D的发展，从它的起源到目前的国家的最先进的方法。为了做到自成一体，我们从一步一步的教程开始，旨在帮助新手快速进入MOEA/D的工作机制。然后，选择MOEA/D的主要发展，根据其核心设计组件，包括权重向量设置，子问题配方，选择机制和再生运营商进行审查。此外，我们还概述了一些进一步的发展约束处理，计算昂贵的目标函数，偏好纳入，和现实世界的应用。在最后一部分，我们为未来的发展提供了一些新的方向。
2021-08-21 cs.NE
Automatic Preference Based Multi-objective Evolutionary Algorithm on Vehicle Fleet Maintenance Scheduling Optimization
提出了一种基于偏好的多目标进化算法，用于在自动检测的拐点区域内生成解。它被命名为基于自动偏好的DI-MOEA（AP-DI-MOEA），其中DI-MOEA代表基于多样性指标的多目标进化算法）。AP-DI-MOEA算法具有两个主要特点：一是在优化过程中自动生成偏好区域;二是将解集集中在偏好区域内。此外，现实世界的车队维修调度优化（VFMSO）问题，制定和定制的多目标进化算法（MOEA）提出了优化车队的维修计划的基础上预测的故障分布的汽车。此外，VFMSO的定制MOEA与AP-DI-MOEA相结合，在自动生成的首选区域中查找维护计划。多目标基准问题和三目标实际应用问题的实验结果表明，该算法能够准确地生成偏好区域，并在偏好区域内获得更优解.特别是，在许多情况下，在相同的预算下，由AP-DI-MOEA获得的帕累托最优解优于由追求整个帕累托前沿的MOEA获得的解。
2021-01-23 cs.NE
A Multi-objective Evolutionary Algorithm for EEG Inverse Problem
在本文中，我们提出了一个多目标的方法来解决脑电逆问题。该公式不需要涉及经验程序的未知参数。由于问题的组合性，该方法引入了进化策略，得到了一种基于解剖约束的多目标进化算法（MOEAAR）。将该方法与3种经典的正则化方法LASSO、Ridge-L和ENET-L进行了对比测试。在实验阶段，选择回归模型以获得稀疏和分布的解决方案。分析涉及不同信噪比（SNR）的模拟数据。质量控制指标为定位误差、空间分辨率和可见度。MOEAAR在最大激活的重建和定位方面比经典方法具有更好的稳定性。利用范数L0对稀疏解进行进化估计，得到了相关的结果。
2021-12-27 cs.NE
A Many-Objective Evolutionary Algorithm with Angle-Based Selection and Shift-Based Density Estimation
进化多目标优化问题越来越受到演化计算研究界的关注。许多努力一直致力于解决这个问题，提高多目标进化算法的可扩展性，如帕累托为基础的，分解为基础的，基于指标的方法。与目前的工作不同，我们提出了一种新的算法，在本文中被称为AnD，它包括一个基于角度的选择策略和基于移位的密度估计策略。在环境选择中，采用这两种策略，逐一剔除不良个体。具体地说，前者的目的是找到一对具有最小向量角的个体，这意味着这两个个体共享最相似的搜索方向。后者兼顾了个体的多样性和收敛性，对两个个体进行了比较，剔除了差的个体。它结构简单，参数少，没有复杂的运算符.的性能相比，与七个国家的最先进的多目标进化算法的各种基准测试问题，多达15个目标。实验结果表明，AnD可以达到很高的竞争力的性能。此外，我们还验证了AnD可以很容易地扩展到解决约束多目标优化问题。
2017-09-30 cs.NE
Symbiotic Connectivity: Optimizing Rural Digital Infrastructure with Solar-Powered Mesh Networks Using Multi-Objective Evolutionary Algorithms
提出开源生态整合模型，结合进化算法优化农村网状网络节点布局，实现互联网接入与共生能源分配，平衡技术进步与环境保护。
2024-06-04 cs.NE
Multi-Objective Evolutionary Algorithms with Sliding Window Selection for the Dynamic Chance-Constrained Knapsack Problem
针对动态机会约束背包问题，提出带滑动窗口选择的多目标进化算法，通过松弛重量约束构建三目标公式，实验证明三目标方法优于双目标方法，结合滑动窗口选择可进一步提升性能。
2024-04-12 cs.NE
A New Repair Operator for Multi-objective Evolutionary Algorithm in Constrained Optimization Problems
在本文中，我们设计了一组多目标约束优化问题（MCOPs），并提出了一个新的修复算子来解决它们。建议的修复操作是用来修复的解决方案，违反盒约束。更具体地说，它采用了反向校正策略，可以有效地避免陷入局部最优的人口。此外，我们将建议的修复算子到两个经典的多目标进化算法MOEA/D和NSGA-II。在基准问题CTPs和MCOPs上，将该修复算子与其他两种常用的修复算子进行了比较。实验结果表明，我们提出的方法是非常有效的收敛性和多样性。
2015-04-01 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
Effects of Discretization of Decision and Objective Spaces on the Performance of Evolutionary Multiobjective Optimization Algorithms
最近，离散化的决策和目标空间已在文献中讨论。在一些研究中，它表明，决策空间离散化提高了性能的进化多目标优化（EMO）算法对连续的多目标测试问题。在其他研究中，它表明，目标空间离散化提高了组合多目标问题的性能。然而，这两个空间的同时离散化的效果还没有在文献中研究。本文通过对DTLZ和WFG问题的计算实验，研究了决策空间离散化、目标空间离散化和同时离散化对NSGA-Ⅱ性能的影响。使用各种设置的决策变量的数量和目标的数量，我们的实验进行了四种类型的问题：标准问题，大规模的问题，多目标问题，大规模的多目标问题。我们表明，决策空间离散化有一个大规模的问题和目标空间离散化有一个积极的影响，多目标问题。我们还表明，这两个空间的离散化是有用的大规模的多目标问题。
2020-03-22 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
Improving Many-Objective Evolutionary Algorithms by Means of Edge-Rotated Cones
给定$m$维目标空间中的一个点，该点的任何$\varepsilon$ -球都可以划分为不可比较区域、支配区域和控制区域。不可比区域的大小与支配（和主导）区域的大小之间的比率与$1/2^{m-1}$成比例地减小，即，帕累托主导的正体的体积与所有其他体积相比。由于这个原因，通过随机的各向同性突变来找到主导点变得越来越不可能。作为一种补救措施，在许多目标优化搜索停滞，在本文中，我们建议提高帕累托优势秩序涉及一个钝凸优势锥的收敛阶段的进化优化算法。我们提出了边旋转锥作为广义的帕累托优势锥的开口角可以控制一个单一的参数。该方法集成在几个国家的最先进的多目标进化算法（MOEAs）和测试基准问题的四，五，六和八个目标。计算实验表明，这些边缘旋转锥的能力，以提高多目标优化问题的MOEA的性能。
2020-06-19 cs.NE
Seeding the Initial Population of Multi-Objective Evolutionary Algorithms: A Computational Study
大多数实验研究初始化的进化算法的人口与随机基因型。然而，在实践中，优化器通常是用先前已知的或根据某些特定问题的方法创建的良好候选解决方案来播种的。这种“播种”已经被广泛研究的单目标问题。然而，对于多目标问题，关于播种方法及其各自的优缺点的文献很少。在本文中，我们试图通过对常见实值测试函数的全面计算研究来缩小这一差距。我们调查的效果，两种播种技术的5个算法上的48个优化问题，2，3，4，6，和8个目标。我们观察到一些功能（例如，DTLZ4和LZ家族）显著受益于播种，而其他（例如，播种算法的优势还取决于所检验的算法。
2014-11-30 cs.NE
Genetic AI: Evolutionary Games for ab initio dynamic Multi-Objective Optimization
本文提出遗传人工智能方法，通过四种演化策略构建自洽演化博弈，在无外部参数和训练数据条件下实现从头动态多目标优化，并在两个决策问题上验证其普适性。
2025-05-08 cs.NE
Single- and Multi-Objective Evolutionary Algorithms for the Knapsack Problem with Dynamically Changing Constraints
进化算法是生物启发的算法，可以很容易地适应不断变化的环境。运行时分析领域的最新研究结果指出，（1+1）~EA和全局SEMO等算法可以在动态一致约束下有效地对线性函数进行再优化。出于这项研究的动机，我们调查单目标和多目标基线进化算法的经典背包问题的背包容量随时间变化。我们建立了不同的基准测试场景，其中容量根据均匀分布或正态分布在每个$τ$迭代中变化。我们的实验研究分析我们的算法的行为的变化幅度所确定的参数的选择分布，频率由$τ$，和类的背包的情况下考虑。我们的研究结果表明，多目标的方法，使用人口，迎合动态变化有明显的优势，在许多基准的情况下，变化的频率不是太高。此外，我们还证明，与我们简单的多目标方法相比，流行的进化多目标算法（例如NSGA-II和SPEA 2）中使用的多样性机制并不一定会带来更好的性能，甚至会导致较差的结果。
2022-06-05 cs.NE
Design and Analysis of Diversity-Based Parent Selection Schemes for Speeding Up Evolutionary Multi-objective Optimisation
在多目标优化的进化算法中，父节点的选择通常是通过偏好非支配点的优势机制或指示函数来实现的。我们建议改进进化多目标优化与多样性为基础的指标的父选择。其目的是关注位于搜索空间的探索不足的区域中具有高多样性贡献的个体，因此创建新的非支配个体的机会比在人口稠密的区域中更好。我们表明，通过严格的运行时分析，使用基于多样性的父选择机制，在简单的进化多目标优化器（SEMO）和全球SEMO的众所周知的双目标函数${\rm O{\small NE}M{\small IN}M{\small AX}}$和${\rm LOTZ}$可以显着提高其性能。我们的理论结果伴随着实验研究，表明理论和实证结果之间的对应关系，并激励进一步的理论研究方面的停滞。我们表明，停滞可能会发生时，有利于个人的高多样性的贡献，在父母的选择步骤，并提供了一个讨论，该计划用于更复杂的问题，根据我们的理论和实验结果。
2018-05-22 cs.NE
A New Distributed Evolutionary Computation Technique for Multi-Objective Optimization
多目标优化问题的求解是当前研究的一个重要课题。进化策略有助于有效和快速地解决这些现实世界的问题。但序列进化算法需要大量的计算能力来解决此类问题，并且需要花费大量的时间来解决大型问题。为了提高求解这类问题的性能，本文提出了一种新的分布式多目标进化策略算法。建议DNESA适用于分治的方法来分解人口成更小的子群体，并涉及多个解决方案的合作子群体的形式。在DNESA中，服务器将总的计算负载分配给所有关联的客户端，仿真结果表明，解决大型问题的时间比顺序进化算法少得多。同时，DNESA算法在收敛性测试中的性能也优于其他三种著名的进化算法。
2013-04-09 cs.NE
Evolutionary Multi-Objective Algorithms for the Knapsack Problems with Stochastic Profits
进化多目标算法在求解各种随机组合优化问题时已被广泛证明是成功的。机会约束优化在复杂的现实世界场景中发挥着重要作用，因为它允许决策者考虑环境的不确定性。我们考虑一个版本的背包问题的随机利润，以保证一定程度的信心，在利润的解决方案。我们介绍了多目标制定的利润机会约束背包问题，并设计了三个双目标的适应度评价方法，工作独立的特定的置信水平所需的。我们使用著名的多目标进化算法GSEMO和NSGA-II评估我们的方法。此外，我们引入了一个过滤方法GSEMO，提高了最终人口的质量定期删除某些解决方案的临时人口的基础上，他们的置信水平。我们展示了我们的方法的有效性，在两种设置的背包项目有固定的统一的不确定性和不确定性，与项目的预期利润呈正相关的几个基准。
2023-03-03 cs.NE
Effects of Objective Normalization on Regions of Interest in Preference-Based Evolutionary Multi-Objective Optimization
Yokohama National University（Yokohama国立大学）
研究目标归一化对基于偏好的进化多目标优化中感兴趣区域定义的影响，发现归一化空间中的ROI难以近似，而非归一化空间中的ROI更易近似。
2026-06-16 cs.NE
A Hierarchical Importance-Guided Multi-objective Evolutionary Framework for Deep Neural Network Pruning
Wilfrid Laurier University（韦仕敦大学）
本文提出一种分层重要性引导的多目标进化框架，用于解决深度神经网络剪枝问题，通过分层进化搜索实现高效的参数压缩与精度平衡。
2026-04-01 cs.NE
Enhancing Decision Space Diversity in Multi-Objective Evolutionary Optimization for the Diet Problem
Universidade Federal de Ouro Preto（欧鲁普雷图联邦大学）
本文提出了一种基于汉明距离的改进方法，用于增强多目标进化优化在饮食问题中的决策空间多样性，通过优化选择机制提升解的多样性，同时保持目标空间性能。
2025-08-09 cs.NE
Evolutionary Algorithms for Solving Unconstrained, Constrained and Multi-objective Noisy Combinatorial Optimisation Problems
本研究实证评估了多种进化算法在噪声组合优化问题中的表现，发现 UMDA 及其变体在无约束、约束及多目标场景下均优于其他算法，展现出高度的鲁棒性和有效性。
2021-10-05 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 Diversity Optimization
本文将多样化解集问题建模为双目标优化问题，提出以“种群中的种群”进化框架实现质量-多样性权衡，并在NSGA-II和SPEA2上验证了方法在多个组合优化问题上的有效性。
2024-01-15 cs.NE
Two-Archive Evolutionary Algorithm for Constrained Multi-Objective Optimization
在求解约束多目标优化问题时，一个重要的问题是如何同时兼顾收敛性、多样性和可行性。为了解决这个问题，本文提出了一种无参数约束处理技术，双存档进化算法，约束多目标优化。它同时维持两个共同进化的种群：一个是收敛档案，是将种群推向Pareto前沿的驱动力;另一个是多样性档案，主要是维持种群的多样性。特别是，为了补充收敛档案的行为并提供尽可能多的多样化信息，多样性档案旨在探索收敛档案未充分利用的领域，包括不可行的区域。为了利用这两个档案的互补效应，我们开发了一个限制性交配选择机制，自适应地选择合适的交配父母从他们根据自己的进化状态。一系列基准问题的综合实验和一个真实世界的案例研究充分证明了我们提出的算法的竞争力，比较五个国家的最先进的约束进化多目标优化。
2017-11-21 cs.NE
Hybridization of evolutionary algorithm and deep reinforcement learning for multi-objective orienteering optimization
多目标定向运动问题是经典的多目标路径问题，在过去的几十年里受到了广泛的关注。本研究试图通过一个问题分解框架来求解MO-OP，即将MO-OP分解为一个多目标背包问题（MOKP）和一个旅行商问题（TSP）。然后分别用多目标进化算法（MOEA）和深度强化学习（DRL）方法求解MOKP和TSP。MOEA模块用于选择城市，而DRL模块用于为这些城市规划哈密尔顿路径。这两个模块的迭代使用推动人口走向MO-OP的帕累托前沿。所提出的方法的有效性进行了比较，对NSGA-II和NSGA-III的各种类型的MO-OP的情况下。实验结果表明，该方法在几乎所有的测试实例上都表现出最好的性能，并表现出很强的泛化能力。
2022-06-21 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
A Comparison-Relationship-Surrogate Evolutionary Algorithm for Multi-Objective Optimization
针对有限评估预算下多目标优化收敛差的问题，提出基于比较关系代理模型的新算法CRSEA，实验证明其在多个中等规模双目标问题上优于现有SAEAs，提升了优化效率。
2025-04-29 cs.NE
Towards Self-adaptive Mutation in Evolutionary Multi-Objective Algorithms
该研究针对多目标进化算法自适应变异机制研究不足的问题，借鉴单目标优化的自适应变异技术提出新型自适应变异GSEMO，经多基准问题测试验证其收敛性能优于静态变异版本，完善了相关基准研究与理论分析。
2023-05-08 cs.NE
Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models
在现代数据科学中，仅仅获得具有良好预测质量的数据驱动模型往往是不够的。相反，更有趣的是了解模型的属性，哪些部分可以被替换以获得更好的结果。这些问题被统一在机器学习可解释性问题下，这可以被认为是该领域的一个热门话题。在本文中，我们使用多目标进化优化的复合数据驱动的模型学习，以获得算法的预期性能。这意味着，虽然一个明显的目标是精度，但另一个目标可以选择模型的复杂性，鲁棒性和许多其他目标。该方法的应用显示在复合模型的多目标学习的例子中，微分方程和封闭形式的代数表达式是统一的，并形成用于可解释模型的模型不可知学习的方法。
2021-07-08 cs.NE
Multi-Objective Evolutionary Beer Optimisation
食品生产是一个复杂的过程，可以从许多优化方法中受益。然而，人们对支持定制食品特性以满足个人消费者偏好的方法越来越感兴趣。本文论述了啤酒特性的个性化。在确定了精酿啤酒生产过程的组成部分后，其生产往往不太标准化，我们引入了一个系统，使酿酒商能够将所需的啤酒特性映射到配料剂量和组合中。以前探索的方法包括直接使用结构方程以及全局机器学习方法。我们介绍了一个框架，它使用进化方法支持多目标优化。这项工作确定了问题相关的目标，他们的协会，并提出了一个工作流程，自动发现多个新的食谱的基础上用户定义的标准。由多目标优化器产生的解决方案的质量进行比较，从多个运行的方法，和那些一个单一的目标进化技术的解决方案。这种比较提供了一个路线图，允许用户在更多不同的选项中进行选择，或微调最喜欢的已识别解决方案之一。这里提出的实验证明了该框架的可用性以及其标准的透明度。
2022-04-13 cs.NE
Data-Driven Evolutionary Multi-Objective Optimization Based on Multiple-Gradient Descent for Disconnected Pareto Fronts
数据驱动的进化多目标优化（EMO）是解决目标函数昂贵的多目标优化问题的一种有效方法。目前的研究主要是开发了一个'定期'三角形的帕累托最优前沿（PF）的问题，而性能可以显着恶化时，PF由断开的部分。此外，在目前的数据驱动的EMO的后代繁殖没有充分利用潜在的信息的代理模型。考虑到这些因素，本文提出了一种基于多梯度下降的数据驱动EMO算法。通过利用最新的代理模型提供的规律性信息，它能够逐步探测一组分布良好的候选解决方案的收敛保证。此外，它的填充准则推荐了一批有前途的候选解决方案进行昂贵的目标函数评估。在具有断开PF的$33$基准测试问题实例上的实验充分证明了我们所提出的方法对四种选定的对等算法的有效性。
2022-05-28 cs.NE
Runtime Analysis of Single- and Multi-Objective Evolutionary Algorithms for Chance Constrained Optimization Problems with Normally Distributed Random Variables
本文从理论上研究了机会约束优化中进化算法的运行时，针对正态分布随机变量引入权衡期望成本与方差的多目标及改进凸多目标方法，克服了单目标算法的指数级优化时间，并实验验证了其有效性。
2024-08-22 cs.NE
Preference-Shaped Expected Hypervolume and R2 Improvement: Exact Computation and Monotonicity
Faculty of Information Technology, University of Jyväskylä（贾韦斯科普大学信息科技学院）
本文研究了贝叶斯多目标优化中偏好形状的期望改进准则，精确计算了超体积和R2指标的期望改进，并分析了其单调性和几何特性。
2026-05-28 cs.AI cs.NE math.OC
An Analysis of the Admissibility of the Objective Functions Applied in Evolutionary Multi-objective Clustering
Federal University of Paraná（巴拉那联邦大学）；University of Orléans（奥尔良大学）
进化多目标聚类方法（EMOCs）的目标函数采用了多种聚类准则。然而，大多数EMOC没有提供关于目标函数的选择和使用的详细分析。为了支持更好的选择和定义的目标EMOCs，本文提出了一种分析的可接受性的聚类标准在进化优化研究的搜索方向和它的潜力，在寻找最优结果。因此，我们展示了目标函数的容许性如何影响优化。此外，我们提供的见解的组合和使用的聚类标准的EMOCs。
2022-06-19 cs.LG cs.NE
Parameterized Analysis of Multi-objective Evolutionary Algorithms and the Weighted Vertex Cover Problem
Kratsch和Neumann（2013）在参数化复杂性分析的背景下对经典顶点覆盖问题的进化多目标优化进行了严格的运行时分析。在本文中，我们将分析扩展到加权顶点覆盖问题，并提供了一个固定参数的进化算法关于OPT，成本的最优解的问题。此外，使用的多样性机制，我们提出了一个多目标进化算法，找到一个2-近似在期望的多项式时间，并引入一个基于种群的进化算法，找到一个$(1+\varepsilon)$ -近似在期望的时间$O(n\cdot 2^{\min \{n,2(1- \varepsilon)OPT \}} + n^3)$。
2016-04-06 cs.DS cs.NE
Multi-node environment strategy for Parallel Deterministic Multi-Objective Fractal Decomposition
Université Paris-Est（巴黎东大学）
本文提出了一种新的实现确定性多目标（MO）优化称为多目标分形分解算法（Mo-FDA）。原算法是针对单目标大规模连续优化问题设计的。它是基于分而治之的战略和几何分形分解的搜索空间使用超球体。然后，为了处理MO问题的标量化方法。在这项工作中，已经开发了一种新的方法，在多节点环境中使用容器。在多目标优化的经典基准上，将Mo-FDA的性能与文献中的最新算法进行了比较
2019-08-04 cs.AI cs.CY cs.DC
