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

本文研究多目标进化算法（MOEAs）的搜索动态，并将 STN 模型应用于两种常用算法（MOEA/D 和 NSGA-II）的分析，结果表明我们可以通过 STNs 来提高 MOEA 的算法分析。

Jan, 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

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

本研究针对优化问题，提出了一种基于自动设计元启发式算法的方法学框架 AutoOpt，该框架包含具有良好性能的算法性能评估标准、算法设计决策空间的一般架构、设计算法所用的混合图和实数表示以及无模型方法来进行设计过程。实测结果表明，AutoOpt 是一种有效和高效的设计元启发式算法的方法学框架。

Apr, 2022

使用改进的多目标进化算法和自适应区域权重调整策略来实现无人机的三维路径规划，以权衡总航行路径长度与地形威胁。

Aug, 2023

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

使用预训练的大型语言模型（LLM）设计的多目标进化算法（MOEA）运算符显示出潜在的优势，并能在不同模式和设置下具有稳健的泛化性能。

Oct, 2023

本研究对 500 多个元启发式算法进行了详尽的调查，并重点比较了 11 个新的和 4 个已有的元启发式算法对 CEC2017 基准函数集的竞争性表现，结果显示 EBCM 性能优良，不输于现有的元启发式算法。

Dec, 2022

通过比较九种基于进化计算的多目标算法的结果，使用 Friedman 的非参数测试，本文创建了一个多算法系统，根据用户需求能够应用不同的技术，以优化和改进基础设施即代码部署配置的多目标问题。

Jan, 2024