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

提出了一种度量市场差异的指标，并通过优化该指标引入了基于算法交易的市场模拟（ATMS），通过强化学习中的随机策略建模来考虑交易的时序特性，通过实验证明了该指标的有效性，并展示了 ATMS 相比基于条件 Wasserstein 生成对抗网络（cWGAN）的方法生成更接近真实数据的市场数据，同时产生更平衡的买卖交易量，减少了买卖交易不均衡的偏差。

Sep, 2023

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

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

煤矿综合能源系统的调度优化是一个具有高维度、强耦合约束和多目标的挑战性问题。针对此问题，我们开发了一个多任务进化算法框架，利用调度相关领域知识来有效处理强约束和多目标优化。通过复杂约束关系分析和处理，我们首先探索了一种可能的进化多任务构建策略，即约束耦合空间分解、约束强度分类和约束处理技术。在多任务进化优化框架中，进一步开发了两种策略，即通过设计特殊的拥挤距离机制从每个任务中选择主导个体的精英引导知识传递以及基于自适应邻域技术的突变，以有效平衡每个优化任务的多样性和收敛性。通过与 CPLEX 求解器和七种约束多目标进化算法的比较，在一个煤矿综合能源系统的案例研究中展示了所提出算法在可行性、收敛性和多样性方面的性能。

Jun, 2024

本文提出了一个全面的质量多样性优化算法统一框架，探讨了该算法族群的大量变体，并提出了一种新的集合管理机制解决了在使用无结构的集合时观察到的侵蚀问题，同时还提出了使用质量多样性优化算法的新的选择机制，其性能比本文测试的所有算法都要好，这三个贡献都得到了质量多样化算法在三个不同实验场景下的广泛实验比较的支持。

May, 2017

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

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

本文提出了一个矢量自回归进化（VARE）方法，它由矢量自回归（VAR）和环境感知超级突变（EAH）组成，以有效预测动态环境中的移动解决方案。研究表明，VARE 可用于处理各种动态环境下的优化问题，并在时间和效果上都优于其他算法。

May, 2023

本文提出了一种名为 Diverse Quality Species (DQS) 的新型质量 - 多样性算法，能够在不需要存档或事先定义行为范围的情况下，将解决方案分解为独立进化种类，并利用无监督技能发现来学习多样化而高性能的解决方案，在多个仿真机器人环境中进行评估，结果表明 DQS 比其他 QD 算法更具样本效率和性能。

Apr, 2023