多目标优化通过精英投票

Jul, 2023

Many-objective Optimization via Voting for Elites

Jackson Dean, Nick Cheney

TL;DR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。

Abstract

Real-world problems are often comprised of many objectives and require solutions that carefully trade-off between them. Current approaches to many-objective optimization often require challenging assumptions, like knowledge of the importance/difficulty of objectives in a weighted-sum s

many-objective optimization weighted-sum single-objective paradigm multi-objective pareto optimization many-objective evolutionary algorithms quality diversity algorithms

发现论文，激发创造

多目标质量多样性优化

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

分解式进化算法分析与克服复杂多目标优化中的局部最优点

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

VBMO：基于投票的多目标路径规划

VBMO 算法通过投票机制生成最优单目标规划，评估各个规划与其他目标的关系，并选择一个最优规划。它不使用手动调整的权重，会在每一步搜索中考虑多个目标，也不使用进化算法，而是考虑一个在某个目标下最优的规划在其他目标下也可能表现良好。VBMO 算法融合了三种投票机制：范围、Borda 和综合赞成。在多样化和复杂环境中进行了大量评估，结果表明该算法能够高效产生满足多个目标的规划。

Aug, 2023

多目标多解输送

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

通过梯度辅助和拥挤探索提高多目标 quality-diversity 的数据效率

本论文提出了一种名为 MOME-PGX 的新的 QD 算法，它扩展了 MOME 以提高数据效率和性能，通过基于梯度的优化有效驱动方案向更高性能，引入遗传集中机制创建改进的探索策略和鼓励 Pareto 前沿的均匀分布；该算法在 4 个模拟机器人运动任务中表现出比其他基线更快、更高效的性能和数据效率。

Feb, 2023

CEC 2024 多方多目标优化竞赛的基准

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

基于 MAP-Elites 的多样化 RL 智能体群体进化

本文介绍了一个灵活的框架，该框架允许使用任何强化学习（RL）算法，并通过演化代理人群体而不仅仅是策略来缓解限制，以改进 QD 在机器人控制问题中的应用。

Mar, 2023

利用 MOEA/D 求解多目标最小权重基问题的严格运行时分析

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

基于专家模型融合的高效 Pareto 集近似方法

通过专家混合（MoE）模型融合的实用且可扩展的方法，本研究旨在有效学习大型神经网络的 Pareto 集，从而捕捉多个目标之间的权衡关系和大致近似整个 Pareto 集，并在低内存使用量的情况下提供可扩展性。

Jun, 2024

进化多方距离最小化

本文构建了基于距离最小化问题（DMPs）的一系列多方多目标优化问题（MPMOPs），提出了一种新的算法 OptMPNDS3，该算法利用多方初始化方法初始化种群，并采用 JADE2 算子生成后代，与 OptAll、OptMPNDS 和 OptMPNDS2 算法在问题套件上进行对比，结果表明 OptMPNDS3 与其他算法具有很强的可比性。

Jul, 2022