该研究论文关注于多方多目标优化问题（MPMOPs），着眼于冲突目标的多个决策者，如无人机路径规划。通过鼓励研究人员探索定制建模方法，致力于填补 MPMOPs 相对传统多目标优化的研究空白。测试套件由两个部分组成：具有常见帕累托最优解的问题和未知解的两方多目标无人机路径规划（BPMO-UAVPP）问题。第一部分的优化算法使用多方反转生成距离（MPIGD）进行评估，第二部分则使用多方超体积（MPHV）指标进行评估。所有问题上的平均算法排名作为性能基准。

Feb, 2024

提出使用扩散模型（EmoDM）解决演化多目标搜索的方法，通过学习先前解决的演化优化任务的噪声分布，在不经历进一步演化搜索的情况下，通过逆扩散生成一组非支配解，从而显著减少了所需的函数评估次数，并引入互信息熵注意机制来提高 EmoDM 的可伸缩性，实验证明 EmoDM 在解决具有多达 5000 个决策变量的 MOP 时在搜索性能和计算效率方面与最先进的演化算法相媲美，且 EmoDM 的预训练模型在未知问题上具有很好的泛化能力，展示了其作为通用高效 MOP 求解器的潜力。

Jan, 2024

这项研究提出了一种名为 MOPN 的多目标指针网络单模型深度强化学习框架，用于有效解决多目标组合优化问题，在不同应用场景下深度增强学习与代表性模型、迁移学习等策略相结合下取得了更好的性能。

Apr, 2022

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

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

通过使用神经网络优化 Pareto 前沿上的最大最小距离，本论文提出了一种构建均匀分布 Pareto 目标的方法，缓解了之前多目标优化方法中所存在的有限多样性问题，并通过实验验证了该方法在生成高质量均匀 Pareto 目标方面的有效性以及优于现有最先进方法的鼓舞人心的性能。

Feb, 2024

本篇论文研究了多目标马尔可夫决策过程中的公平优化问题，并介绍了一种高效逼近无限时段，折扣多目标马尔可夫决策过程中 Lorenz 非支配解的方法。

Sep, 2013

使用 Many-Objective Evolutionary Algorithms 和 Quality Diversity algorithms 的元素，我们提出了基于投票的多目标精英优化 (MOVE)。MOVE 通过维护适用于目标函数不同子集的精英群体地图来平衡众多目标，并通过在具有 14 个目标的图像神经进化问题上的实验证明 MOVE 是可行的。我们发现该算法的性能取决于解决方案在不同目标子集之间跳跃，并指出这种目标切换是一种隐式的自动识别逐步学习的方法。我们对 MOVE 和 MAP-Elites 之间的相似之处和差异进行了讨论，并提出未来的研究方向以供参考，以便更好地理解这种方法在众多目标问题中的应用。

Jul, 2023

多目标贝叶斯优化通过引入复合扩散模型和信息熵加权方法，在昂贵多目标优化问题中获得高质量解集，并在合成基准和实际问题上展示了卓越性能。

May, 2024

本研究提出了一种新的多目标优化方法，将 MAP-Elites 算法中的多样性与多目标优化相结合，通过使用 Pareto Front 填充每个单元格，能够在描述符空间中提取多样性解，并在探索不同目标之间的折衷方案时提供全局性能优异的解决方案。

Feb, 2022