使用平衡二叉搜索树增强的多目标 A * 算法
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
本篇论文旨在将启发式搜索算法应用于多目标随机最短路径 (MOSSPs) 问题,提出了基于相对快速的 MOLAO* 和 MOLRTDP 两种算法,以及一系列能够应对随机、多目标特点的启发式函数,通过实验证明了新算法及函数的有效性。
Mar, 2023
本文提出了两种新的拆分策略 (cost splitting 和 disjoint cost splitting),用于解决 Multi-Objective Conflict-Based Search (MO-CBS) 算法中的重复搜索问题,并证明了这些拆分策略与 MO-CBS 既完整又最优。实验结果表明,disjoint cost splitting 是最佳的拆分策略,可将 MO-CBS 加速两个数量级并在各种情景下显著提高其成功率。
Nov, 2022
提出了一种贝叶斯优化方法,用于在具有昂贵目标函数的多目标优化问题中确定最优解,通过交互方式自适应地估计 DM 的贝叶斯偏好模型,并利用获得的偏好信息进行主动学习,从而有效地在基准函数优化和机器学习模型的超参数优化问题中找到最优解。
Nov, 2023
通过寻求多个多目标优化问题的互补子集解决方案的权衡,我们引入了一种称为 MosT 的多目标多解传输框架,其通过在每个解决方案中对加权目标进行双层优化,并使用目标和解决方案之间的最优传输来定义权重,确保收敛到 Pareto 稳态解决方案。在联邦学习、多任务学习和混合提示学习等应用中,MosT 都显著优于强基线方法,提供高质量的多样化解决方案,刻画了整个 Pareto 前沿,从而实现了在多个目标之间的平衡权衡。
Mar, 2024
本文介绍了一种基于多臂赌博机的乐观方法,称之为多目标同时乐观优化(MO-SOO)。该算法通过结合多个多臂赌博机在多目标问题的可行决策空间中建立分层结构,以识别帕累托最优解。通过描述该算法的有限时间和渐近行为,分别分析了算法的上界和一致性性质。在 300 个双目标基准问题中,与三个随机算法进行比较,MO-SOO 表现出与顶尖随机算法一致的性能,即 SMS-EMOA 算法。
Dec, 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
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