HyperMapper 2.0 is a new methodology and software framework that handles multi-objective optimization, unknown feasibility constraints, and categorical/ordinal variables for computer systems design, achieving better Pareto fronts and improved sampling for hardware accelerators.

Oct, 2018

本文研究了多目标黑盒优化的新问题，通过以不同资源消耗和准确性变化的多重保真度函数评估来减少资源消耗，以近似真实的帕累托解集合。 提出了一个称为 MF-OSEMO 的新方法来解决这个问题，并在几个综合性和真实基准问题上进行实验，表明 MF-OSEMO 相对于单一忠实算法在多目标优化上有显著改进。

Nov, 2020

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

我们提供了一个综述，统一了多目标优化算法产生的解决方案的决策支持方法。我们提供这个主题的最新进展的概述，包括可视化方法、解决方案集挖掘、不确定性探索以及新兴研究方向，包括交互性、可解释性和伦理。我们综合了来自不同研究领域的这些方法，构建了一个独立于应用的统一方法。我们的目标是降低研究人员和实践者使用多目标优化算法的门槛，并提供新的研究方向。

Nov, 2023

通过寻求多个多目标优化问题的互补子集解决方案的权衡，我们引入了一种称为 MosT 的多目标多解传输框架，其通过在每个解决方案中对加权目标进行双层优化，并使用目标和解决方案之间的最优传输来定义权重，确保收敛到 Pareto 稳态解决方案。在联邦学习、多任务学习和混合提示学习等应用中，MosT 都显著优于强基线方法，提供高质量的多样化解决方案，刻画了整个 Pareto 前沿，从而实现了在多个目标之间的平衡权衡。

Mar, 2024

本文提出了一种用于多目标强化学习的新算法，可以以一种无量纲的方式设置目标的偏好，并且通过学习行动分布和拟合参数策略来在高维实际机器人任务及模拟任务中展示了其有效性，从而找到一组非支配解空间。

May, 2020

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

提出了一种新的、高效的方法，可以生成局部连续的 Pareto 集和 Pareto fronts，并将其应用于现代机器学习问题中。通过提出基于样本的稀疏线性系统，将多目标优化的理论结果扩展到现代机器学习问题中，并实现了局部 Pareto 集的分析。与现有算法相比，通过在各种多任务分类和回归问题上的应用，证明了我们的算法在平衡权衡、有效地找到更多的不同权衡解以及迎合百万级参数任务的能力。

Jun, 2020

提出一种名为 MESMOC 的新方法来解决大规模设计问题的优化，通过使用输出空间熵的获得函数，选择评估输入序列来发现高质量的帕累托集解决方案同时满足约束条件。

Sep, 2020

本文提出了一种基于随机标量化策略的多目标优化方法，可快速、灵活地从 Pareto 前沿的特定区域中采样，且在多项真实问题和合成问题的实验中显示了良好表现。

May, 2018