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

通过极坐标，我们证明了帕累托前沿可以显式地参数化，从而基于此表示可以将线性代数、概率统计和决策理论推广至帕累托前沿空间中的函数。我们以随机设置为重点，研究了帕累托前沿作为随机过程的情况，并展示了如何定义和估计期望值、协方差和分位数等统计量。同时，我们还通过设计实验探讨了如何利用帕累托前沿表面分布来做出有效决策，并在极值理论的背景下展示了帕累托前沿思想的应用。最后，我们通过对实际空气污染数据集的数值示例，应用了我们的新方法。

May, 2024

本文研究了使用三目标公式来解决具有机会约束的问题，证明该公式在处理确定性基数约束时只需进行 1 位翻转即可计算所有所需的权衡，并且在实验中检验了其在优化支配集问题中的好处。

Apr, 2023

本文探讨如何通过协作和学习代理的网络以分布式方式解决多目标优化问题，提出了一种基于自适应扩散策略的分布式解决方案，并研究了代理人收敛于 Pareto 最优解以及其与不动点之间的关系，为金融领域中代理人网络的协作决策提供了一个应用实例。

Aug, 2012

本研究提出了一种基于贝叶斯优化的 PAC-MOO 方法来解决在大部分输入空间不可行时（即违反约束条件），由实践者指定目标函数的约束多目标优化问题，特别地，在电路和电力系统设计等工程设计问题中。该方法能够学习输出目标和约束的代理模型，并选择在每次迭代中评估最大程度能获得有关最佳受约束 Pareto 前沿的信息且同时考虑目标偏好的候选输入，实验结果表明 PAC-MOO 比现有方法更加有效。

Mar, 2023

本文对 Pareto 优化方法做了分类比较，并提出了一种称为级联加权平均的扩展加权平均方法以应对实际应用中多种多目标优化场景。

Mar, 2022

本文提出了一种基于学习的方法，将分解式多目标优化算法 (MOEA/D) 从有限种群推广到模型，以近似整个 Pareto 集，为决策者提供灵活的决策，并展示实验结果。

Oct, 2022

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

本文调查了设计用于带有多个目标函数的顺序决策问题的算法。通过分类法，将对多目标方法的文献研究按适用的设定情况、标量化函数的属性和考虑的策略类型进行分类。总之，文章总结了关键应用和未来研究机会。

Feb, 2014

本文通过平滑优化技术，提出了一种新颖且轻量级的光滑 Tchebycheff 标量化方法，用于基于梯度的多目标优化问题，具有良好的理论性质，能够以较低的计算复杂度找到符合有效权衡偏好的所有 Pareto 解。实验结果充分证明了我们提出方法的有效性。

Feb, 2024