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。

Jul, 2023

本研究提出了一种混合变量、多目标贝叶斯优化框架 MixMOBO，可高效找到混合变量设计空间的最优帕累托前沿，同时确保多样解，结果表明 MixMOBO 在合成问题上表现良好。

Jan, 2022

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

本文介绍了一种基于多目标贝叶斯优化 (MOBO) 的框架，通过提出 CDF 指标和 BOtied 采集函数，可以有效地解决多目标目标空间的优化问题，并在实验中得到良好的效果。

Jun, 2023

本文提出了一种可伸缩的多目标贝叶斯优化算法 MORBO，通过同时在设计空间的多个本地区域中使用协调策略进行并行优化，远高于现有算法的采样效率，适用于高维度的综合问题。

Sep, 2021

本文提出了一种新的多目标贝叶斯优化方法，旨在解决存在输入噪声的多目标优化问题，通过优化多维风险价值 (MVaR) 来产生适应噪声并能够满足多个指标要求的最优设计。

Feb, 2022

该研究提出了一种新颖的方法来解决多目标车辆路径规划问题，通过视觉吸引力路线规划和历史驾驶员行为数据挖掘的评估，证明了数据挖掘历史模式比文献中的视觉吸引力评估更加有效。同时提出了一个双目标问题来平衡路径相似性和最小化路径成本，并通过启发式箱分割的两阶段 GRASP 算法解决该问题。结果表明该方法能够生成少量非支配解，帮助决策者在路径成本和驾驶员偏好之间进行权衡，从而提升物流公司的最后一英里配送运营。

May, 2024

本文提出了在多目标最短路径问题中使用平衡二叉搜索树来维护非支配前沿集，以更高效地找到帕累托最优解的方法。实验表明，该方法在三、四、五个目标的问题中比现有技术快一个数量级。

Feb, 2022

本论文提出了一种基于 TLBO 技术的无人机航路规划算法，通过定义目标函数并使用 Multi-subject TLBO 算法进行优化，可以生成复杂环境下优化的、无碰撞、可飞行的路径规划方案。

May, 2022

使用改进的多目标进化算法和自适应区域权重调整策略来实现无人机的三维路径规划，以权衡总航行路径长度与地形威胁。

Aug, 2023