该论文提出了一种基于 Bisecting k-medoids 聚类算法的新技术，利用该技术可以发现最佳的相似性集合来预测软件工程的工作量，其性能比其他常规相似性集合方法更好。

Mar, 2017

本文提出了一种新的模型树属性距离适应策略，用于调整类比估计和生成新的估计，实验结果表明该方法对于具有大量分类属性的复杂数据集尤其有效。

Mar, 2017

本研究调查了集成学习在类比式努力估计中的应用潜力，比较了使用的类比数 k，研究发现，将集成方法应用于调节方法可以显著提高预测性能，而线性调节方法的表现更佳，推荐使用线性调节方法进行集成。

Mar, 2017

在这项工作中，我们提出了一种基于 GoOSE 算法的实时纯数据驱动的自适应控制方法，用于在线调整低级控制器参数，从而处理性能和稳定性的要求，并通过修改负载和参考步长将其与插值约束优化方法进行比较，用于评估算法在半导体行业应用中实现的真实精密运动系统的性能。

Apr, 2024

本文主要探讨了通过利用在相关问题中获得的经验，采用基于经验的代理辅助进化算法（SAEA）框架来增强昂贵优化问题的优化效率，实验结果表明从相关任务获得的经验对目标问题的评估预算的节约是有益的。

Apr, 2023

综合几何分析，我们发现传统的参考点选择方法对于解决复杂的多目标优化问题中的局部最优问题具有基础性的作用。为了应对这一问题，我们引入了一种创新的参考点选择策略，即权重向量引导和高斯混合方法，旨在克服局部最优问题。通过对 14 种算法进行实验验证和一系列实证测试，我们的方法在人口多样性和收敛性方面取得了显着的改进。

Apr, 2024

本文提出一种新的基于伪代理的多目标深度神经网络和硬件超参数优化方法，主要为 memristive 交叉栅极加速器设计高精度且具有硬件效率的 DNN，使用了基于贝叶斯优化的方法实现在保证硬件成本效益的前提下提高 DNN 性能，得到的 PABO 优化结果在准确性和计算速度上都优于现有最先进的方法。

Jun, 2019

我们提出了一种人工智能与人类专家协作的贝叶斯框架，将未测量的抽象属性的专家偏好引入代理模型，进一步提高贝叶斯优化的性能。实验结果表明，我们的方法在合成函数和真实数据集上优于基准方法。

Feb, 2024

本研究利用改进的 PAES 方法，采用高级概率方案以及一种新策略，较之现有的 state-of-the-art 的方法在多个真实数据集上显著提高了多目标特征选择的性能，并在探索解决方案的速度和可靠性方面取得了优异的表现。

Nov, 2022

通过专家混合（MoE）模型融合的实用且可扩展的方法，本研究旨在有效学习大型神经网络的 Pareto 集，从而捕捉多个目标之间的权衡关系和大致近似整个 Pareto 集，并在低内存使用量的情况下提供可扩展性。

Jun, 2024