本文探讨了在 Search-Based Software Engineering (SBSE) 中,当清晰的利益相关者偏好给定时,是否应该优先使用加权搜索,结果表明,即使在存在明确偏好的情况下,权重也可能对搜索进程有害。具体来说,作者进行了大规模的实证研究,结果在通常搜索预算的情况下表明,帕累托搜索在绝大多数情况下,甚至达到 77%的情况下比其加权对应物有显着优势。
Feb, 2022
本文探讨如何通过协作和学习代理的网络以分布式方式解决多目标优化问题,提出了一种基于自适应扩散策略的分布式解决方案,并研究了代理人收敛于 Pareto 最优解以及其与不动点之间的关系,为金融领域中代理人网络的协作决策提供了一个应用实例。
Aug, 2012
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
本文介绍了一种滑动窗口加速技术,通过使用这种技术减少算法中的种群规模,达到与之前的方法相同的理论性能保证,同时显著提高解决一系列最大覆盖问题实例和约束设置的结果。
May, 2023
本文研究了使用三目标公式来解决具有机会约束的问题,证明该公式在处理确定性基数约束时只需进行 1 位翻转即可计算所有所需的权衡,并且在实验中检验了其在优化支配集问题中的好处。
Apr, 2023
提出了一种新的、高效的方法,可以生成局部连续的 Pareto 集和 Pareto fronts,并将其应用于现代机器学习问题中。通过提出基于样本的稀疏线性系统,将多目标优化的理论结果扩展到现代机器学习问题中,并实现了局部 Pareto 集的分析。与现有算法相比,通过在各种多任务分类和回归问题上的应用,证明了我们的算法在平衡权衡、有效地找到更多的不同权衡解以及迎合百万级参数任务的能力。
Jun, 2020
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
本文通过平滑优化技术,提出了一种新颖且轻量级的光滑 Tchebycheff 标量化方法,用于基于梯度的多目标优化问题,具有良好的理论性质,能够以较低的计算复杂度找到符合有效权衡偏好的所有 Pareto 解。实验结果充分证明了我们提出方法的有效性。
Feb, 2024
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
本文提出了一种基于随机标量化策略的多目标优化方法,可快速、灵活地从 Pareto 前沿的特定区域中采样,且在多项真实问题和合成问题的实验中显示了良好表现。
May, 2018