EmoDM: 用于进化多目标优化的扩散模型

Jan, 2024

EmoDM: 用于进化多目标优化的扩散模型

EmoDM: A Diffusion Model for Evolutionary Multi-objective Optimization

Xueming Yan, Yaochu Jin

TL;DR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。

Abstract

evolutionary algorithms have been successful in solving multi-objective optimization problems (MOPs). However, as a class of population-based search methodology, evolutionary algorithms require a large number of

evolutionary algorithms multi-objective optimization problems diffusion model computational efficiency mop solver

发现论文，激发创造

基于扩散模型的昂贵多目标贝叶斯优化

多目标贝叶斯优化通过引入复合扩散模型和信息熵加权方法，在昂贵多目标优化问题中获得高质量解集，并在合成基准和实际问题上展示了卓越性能。

May, 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

大型语言模型用于多目标进化优化

使用预训练的大型语言模型（LLM）设计的多目标进化算法（MOEA）运算符显示出潜在的优势，并能在不同模式和设置下具有稳健的泛化性能。

Oct, 2023

多目标问题（前导 1，尾随 0）的进化多样性优化的运行时分析

本研究分析了进化多目标优化算法在多样性优化问题中的应用，并证明了一种算法能够在预期的迭代次数下计算出所有 Pareto 最优解。同时，还分析了该算法找到具有最佳多样性的种群所需的迭代次数，并通过实证研究验证了理论预测的准确性。

Apr, 2024

EMDM：快速、高质量运动生成的高效运动扩散模型

引入高效动作扩散模型（EMDM）用于快速高质量的人体动作生成，通过建模复杂的去噪分布在多个采样步骤中实现更大的采样步长和较少的步骤，加速生成过程并保持高质量的运动生成。

Dec, 2023

EMO 联合剪枝与多个子网络：快速高效

本研究提出一种基于进化多目标（EMO）算法的网络修剪算法，结合多子网络来降低空间复杂度和资源消耗，其中提出了分而治之的 EMO 网络修剪框架和基于交叉网络约束的子网络训练方法，并设计了多子网络联合修剪方法来优化整个修剪网络的性能。实验结果表明，此算法比十五种先进的修剪算法更为有效和高效。

Mar, 2023

RLEMMO：深度强化学习辅助的进化多模态优化

提出了 RLEMMO，一种元黑盒优化框架，通过维护解的群体并整合强化学习代理来灵活调整个体级搜索策略以匹配最新的优化状态，从而提高多模态优化问题的搜索性能。在 CEC2013 多模态优化问题基准测试上，RLEMMO 取得了与强基准模型相竞争的优化性能。

Apr, 2024

可学习演化算法在可扩展多目标优化中的调查

本研究论文总结了最近学习型多目标进化算法在解决不同尺度多目标优化问题中的进展和挑战，并提供了四个有吸引力的方向，即用于环境选择的可学习进化鉴别器，用于繁殖的可学习进化生成器，用于函数评估的可学习进化评估器，以及用于共享或重复使用优化经验的可学习进化传输模块，作为这一领域的努力的参考。

Jun, 2022

基于扩散模型的汽油调配调度的多目标优化

利用扩散模型驱动的新型多目标优化方法（名为 DMO）用于汽油调和调度，通过迭代过程将解从高斯噪声转换为可行的时间表，同时使用梯度下降方法优化目标，从而解决了传统和进化算法面临的复杂性问题。实验结果表明，DMO 在解决汽油调和调度问题的效率上超过了最先进的多目标进化算法。

Feb, 2024

EDMP：预算引导扩散的运动规划集成

我们提出了 EDMP，即基于代价引导的扩散运动规划集合，旨在结合经典规划与基于深度学习的运动规划的优势，通过在多样的有效运动轨迹集合上进行训练的扩散网络，计算特定场景的代价，如 “碰撞代价”，并引导扩散生成满足场景约束条件的有效轨迹，同时使用代价集合而非单一代价函数来指导扩散过程，显著提高了成功率，并保留了与经典规划器主要相关的泛化能力。

Sep, 2023