本文提出了一种基于蒙特卡罗树搜索的进化算法 -- LMMOCTS，旨在改进大规模多目标优化问题的性能和灵敏度。该方法通过抽样决策变量来构建蒙特卡罗树上的新节点进行优化和评估，并选择具有良好评估的节点进行进一步搜索，针对决策变量规模带来的性能灵敏度进行解决。在实验中，与数种最新设计进行了对比，并提出了两个度量算法灵敏度的指标，结果证明了该方法对于解决大规模多目标优化问题具有有效性和性能的灵敏度。

Apr, 2023

本文提出了一种自适应调整权重的方法，名为 AdMMO，来克服 MMO 的重大缺点，通过在适当的时间调整权重以维持优秀的非支配配置，实验结果表明在多个实际系统、目标和预算上，AdMMO 比 MMO 和一系列最新的优化器优越，同时在最佳速度提升为 2.2 倍至 20 倍的基础上相对更高的效率。

Apr, 2024

该论文提出了一种利用 LMS 指标和多目标优化方法来寻找符合用户性能标准的智能设计方案的方法，并在多个问题上进行了验证与分析。

Jun, 2023

本文提出了一种基于 MESH 算法的多目标优化方法来解决水力发电厂在亚日尺度运营中的短期出力计划问题，旨在在最大化发电量和最大化水库蓄水量的前提下，找到一个水库的最佳出力方案。研究结果表明，MESH 算法表现出比其他多目标算法更高的效率和准确性，并在实际应用中提供了显著的经济效益。

Jul, 2021

这篇论文介绍了一种用于训练、自我优化和自我组织的代理模型方法论框架，用于逼近和加速多物理模拟，通过与两种优化算法和一种综合评估策略的结合训练和优化管道的性能评估，实验证明了代理模型能够准确逼近基础模拟，并使用可解释的 AI 技术分析代理模型并进行预选择策略以确定真实示例中最相关的特征。

Sep, 2023

本研究提出了 VMORS 方法，将 100,000 到 500,000 维度的大规模多目标优化问题转化成适于推荐系统处理的问题，使用 Thompson 抽样推荐最适合不同用户（解决方案）的进化方向（项目），以在可接受的时间内在非常大的搜索空间中找到最优解决方案。实验结果表明，我们的方法不仅表现良好，而且比现有方法有显著的改进。

Apr, 2023

本研究使用混合 Answer Set Programming 和差分逻辑对真实半导体制造过程进行调度，包括机器处理、设置、批处理和维护操作，并研究了面向多个优化目标的大规模调度的潜力。

Jul, 2023

本文关注的是在共享 AV 机动车辆出行服务 (SAMSs) 中，空闲车辆的预测性行驶问题。将该问题建模为马尔可夫决策过程，并提出了一种使用优势 actor-critic (A2C) 方法的强化学习方法，与基于优化的分配策略协作，学习一个预测性均衡策略。实验证明，该方法通过观察过去的需求并能够预测未来的需求，显著降低了乘客的等待时间。

Oct, 2022

利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。

Apr, 2023

在数字化转型时代，将数字技术整合到银行业务的各个方面可以提高流程自动化、成本效率和服务水平。本文针对 ATM 现金补充的物流问题，提出了广义车辆路径问题的数学模型，并提供了评估各种情况的工具。在模拟数据集上评估时，我们提出的模型和方法取得了令人鼓舞的结果，可以削减 ATM 现金运营成本。

Apr, 2023