本研究提出了一种新颖的不确定性感知搜索框架（USeMO），使用代理模型的多目标黑盒优化解决方案来选择评估输入序列，通过减少函数评估的数量，近似真正的 Pareto 集。我们在多个合成和六个不同的真实基准问题上的实验表明，USeMO 总是优于现有算法。

Apr, 2022

提出一种名为 MESMOC 的新方法来解决大规模设计问题的优化，通过使用输出空间熵的获得函数，选择评估输入序列来发现高质量的帕累托集解决方案同时满足约束条件。

Sep, 2020

MESMOC + 是 Max-value Entropy Search for Multi-Objective Bayesian Optimization with Constraints（MESMOC）的改进版，用于解决评估昂贵的约束多目标问题，其成本是线性的，常常比其他方法更快。其基于函数空间的最小化熵的方法可优化 Pareto frontier 并且较之前的方法更为准确。

Nov, 2020

本文提出一种名为 PESMOC 的基于信息的策略，用于同时优化多个昂贵的黑盒函数，并考虑多个限制条件，该策略可用于解决多种优化问题。实验结果表明，相对于随机搜索策略，PESMOC 能够在较少的评估次数下提供更好的建议。

Sep, 2016

本研究提出了一种基于贝叶斯优化的 PAC-MOO 方法来解决在大部分输入空间不可行时（即违反约束条件），由实践者指定目标函数的约束多目标优化问题，特别地，在电路和电力系统设计等工程设计问题中。该方法能够学习输出目标和约束的代理模型，并选择在每次迭代中评估最大程度能获得有关最佳受约束 Pareto 前沿的信息且同时考虑目标偏好的候选输入，实验结果表明 PAC-MOO 比现有方法更加有效。

Mar, 2023

本研究提出了一种新的贝叶斯优化框架，用于考虑输入不确定性的多目标优化，包括鲁棒性的量化和搜索一个鲁棒的帕累托前沿，并通过数值基准测试证明了其有效性。

Feb, 2022

本文研究了多目标黑盒优化的新问题，通过以不同资源消耗和准确性变化的多重保真度函数评估来减少资源消耗，以近似真实的帕累托解集合。 提出了一个称为 MF-OSEMO 的新方法来解决这个问题，并在几个综合性和真实基准问题上进行实验，表明 MF-OSEMO 相对于单一忠实算法在多目标优化上有显著改进。

Nov, 2020

本研究提出了信息理论框架，以解决具有黑盒约束条件的全局黑盒优化问题，并开发了一种预测熵搜索策略以解决解耦约束条件问题，在几个人工合成及实际问题中进行了改进比较，为有快慢函数评估的问题提出了平衡 PESC 元计算和目标计算时间的部分更新算法，并提出了自适应切换部分和完整更新版本来插值，PESC 为约束贝叶斯优化提供了一种统一的有效算法方向。

Nov, 2015

这篇论文介绍了黑盒优化问题以及贝叶斯优化和替代辅助进化算法两种优化技术的使用方法和差异，还介绍了一种新的基于模型辅助的策略，通过利用未评估的解产生后代，并结合进化算法的群体搜索能力来提高模型辅助优化的效果。实验结果表明，该方法在准确性和效率方面优于主流的贝叶斯优化算法。

Mar, 2024

Multi-modal fusion technique incorporating uncertainties through Uncertainty-Encoded Mixture-of-Experts (UMoE) improves object detection performance in extreme weather, adversarial, and blinding attack scenarios for autonomous driving.

Jul, 2023