多目标进化算法搜索轨迹网络
本研究论文总结了最近学习型多目标进化算法在解决不同尺度多目标优化问题中的进展和挑战,并提供了四个有吸引力的方向,即用于环境选择的可学习进化鉴别器,用于繁殖的可学习进化生成器,用于函数评估的可学习进化评估器,以及用于共享或重复使用优化经验的可学习进化传输模块,作为这一领域的努力的参考。
Jun, 2022
本文研究如何在多目标进化算法中引入随机性,证明了将确定性的种群更新机制替换为随机性机制可以使算法的运行时间指数级减少,实验证明了这个提出的方法的有效性。
Jun, 2023
研究了多目标最小重量基问题的性质,并给出了 MOEA/D 算法的运行时间分析,表明在理论和实践方面都比已有的算法更优,可望在预期的多项式时间内找到所有的极值点。
Jun, 2023
研究使用自动设计的算法对多目标进化算法进行了效果评估,通过比较搜索轨迹网络、种群的多样性和任意时刻的超体积值,发现算法组件对于不同问题具有不同的影响。
Jul, 2023
利用大型语言模型(LLMs)在优化算法领域中的潜力,我们将它们集成到STNWeb中,通过生成详细的书面报告和自动生成的图表,提升用户体验,减少研究社区对该工具的采用障碍。同时,我们的方法还可以扩展到优化领域的其他工具,展示了LLMs在这一领域的多样性和潜力。
Feb, 2024
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
本研究针对启发式设计在搜索与优化问题中的局限性,提出将启发式搜索建模为多目标优化问题,考虑效率与可扩展性等实际需求。通过首次提出基于大型语言模型的多目标启发式搜索框架MEoH,该框架在单次运行中产生多种精英启发式,显著提升效率并拓展启发式设计的可能性,展示了更优的性能与选择空间。
Sep, 2024