该研究介绍了一个适应性元启发式框架（AMF），用于处理动态环境下的优化问题，它能智能地适应问题参数的变化，通过实时感知系统和适应性技术在连续变化的优化环境中导航。通过模拟的动态优化问题，AMF 展示了它能够检测环境变化并主动调整搜索策略的能力，通过应对检测到的变化调整解决方案的适应模块对改进的微分进化算法进行了验证。通过一系列迭代测试了 AMF 的调整能力，展示了其在问题发展过程中保持解决方案质量的韧性和稳健性。通过在动态优化问题上进行一系列模拟，验证了 AMF 的有效性。演示的适应性和敏捷性特征肯定了该算法在处理真实世界问题的不确定性方面的重要进展。

Apr, 2024

介绍了一种基于事实观测随机博弈（FOSG）建模的解决方案，该解决方案的优势在于可以轻松分解问题，且与博弈树等其他建模方式相关联，这为多智能体决策制定提供了启示。

Jun, 2019

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

利用物联网和时空数据分析，我们开发了多目标洗牌灰狼青蛙跳模型（MSGW-FLM），该模型在应对复杂的多周期紧急救援场景中显示出了卓越的性能，为优化应急救援资源分配迈出了重要的一步。

Mar, 2024

本研究提出了动态数据集生成器（DDG），用于模拟各种动态场景，帮助解决在动态环境中的聚类问题。

Feb, 2024

本文提出了一种名为 FGI 的新的重标记策略用于改善回报稀疏性问题，并通过引入动态模型来生成模拟轨迹来提高采样效率，提出了一种名为 MapGo 框架用于目标导向任务的模型辅助策略优化， 并在复杂任务上的实验证明了 FGI 策略相比后见策略的有效性，并且 MapGo 框架相对于无模型的基线表现出更高的采样效率。

May, 2021

本文提出了一种基于多样性导向的动态规划策略优化算法（DGPO），该算法使用多样性对象来指导一个隐式编码策略，从而在单一的训练过程中学习出多组不同的策略，并将受外部激励约束的优化问题作为概率推理任务来解决，并使用策略迭代来最大化所得的下界。实验结果表明，该方法在各种强化学习任务中有效地找到了多样化的策略，并且与其他基线模型相比具有更高的多样性得分和相似的样本复杂度和性能。

Jul, 2022

本文介绍了一种名为 DMOVE 的算法，它利用连续回报分布来计算多目标协调图中预期标量化回报的集合。DMOVE 算法可用于风场控制等实际问题，可以计算期望标量化回报作为单次执行多策略时的实用功能。

Jul, 2022

本文研究了在动态多目标优化问题中应用表观遗传机制对现有多目标遗传算法 MOEA/D-DE 的性能进行了比较，并提供了初步的实验证据表明，更多的算法应该探索自然界中丰富的表观遗传机制。

Nov, 2022

该研究提出了一种非参数学习的策略，通过嵌入策略分布作为非递减的欧几里得空间中的特征，从而允许其搜索空间在非常高（可能无限）维的 RKHS（再生核希尔伯特空间）中定义。同时，通过在 RKHS 中计算的相似度度量，与 Adaptive H 技术相结合，实现优化动态环境下自主适应的最佳控制策略的非参数学习方法。实验证明，该方法在多个基准测试和一个配备动态变化环境的仿真机器人基准测试中优于 DDPG 和 TD3 方法。

Mar, 2022