本文对 Pareto 优化方法做了分类比较，并提出了一种称为级联加权平均的扩展加权平均方法以应对实际应用中多种多目标优化场景。

Mar, 2022

本文研究基于 A * 算法和双目标搜索的两种解决方案，解决只有一个约束条件的成本最小路径规划问题，并研究在约束搜索中优先队列的重要性。实验证明，不带打结断的桶队列可以有效提高双目标搜索的算法性能。

Jul, 2022

本文提出了一种基于学习的方法，将分解式多目标优化算法 (MOEA/D) 从有限种群推广到模型，以近似整个 Pareto 集，为决策者提供灵活的决策，并展示实验结果。

Oct, 2022

在多目标优化中，考虑到平衡多个目标之间的权衡，解决方案在最优权衡方面被称为帕累托最优；我们研究了解决帕累托集约束优化问题的本地方法，这是一个具有挑战性的问题，因为约束集不仅是隐式定义的，而且通常在目标函数是非凸非光滑的情况下。

Aug, 2023

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

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

本文旨在为配置软件系统的优化提供决策支持。通过对 426 个论文和 14 个真实环境的综合研究，本文发现指导性能调优的优化模型选择取决于期望的现实可实现度；指导性能调优的位置和性质在选择方面不太重要，但它们对改进的程度有影响；调整预算虽然在非现实期望方面有所帮助，但在现实期望方面则不重要。

Jan, 2023

本研究提出一种基于熵的多目标贝叶斯优化方法（MBO），称为帕累托前沿熵搜索（PFES），该方法考虑到帕累托前沿的熵，通过推导标准熵搜索设定的解析公式来获得帕累托最优性的权衡关系，并可以适应解耦合条件下的目标函数熵计算。实验验证表明 PFES 方法在多种基准数据集上的有效性。

Jun, 2019

本文研究了多智能体路径规划中的 Conflict-Based Search 算法，证明了权重 cost-to-go 和冲突启发式算法可以被用于低级规划器，旨在提高算法效率和解决冲突问题。此外，该文章进一步表明算法性能与高低级之间的权衡有关，对现有算法进行了优化。

May, 2022

本篇研究探讨将多个目标转化为单一目标的方法，在集合约束均值 - 方差投资组合优化问题上，迭代填充帕累托前沿中最大空间的方法可以显著提高性能。

Oct, 2022