Feb, 2024

CEC 2024 多方多目标优化竞赛的基准

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 多目标优化通过精英投票

    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

  • 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

  • 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

  • 基于图形的多机器人最优路径规划：完整算法和有效的启发式算法

    通过与网络流的等价性和整数线性规划，我们设计了用于解决四个不同目标的新颖和完整算法，从而解决了最佳多机器人路径规划问题。采用基于 ILP 算法模型和启发式算法的组合方法，能够在几秒钟内计算出包含数百个机器人，环境密集的问题的 1.x - 最优解。

    Jul, 2015

  • 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

  • 基于贝叶斯优化的多目标混合变量问题

    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

  • 组合优化的多目标指针网络

    这项研究提出了一种名为 MOPN 的多目标指针网络单模型深度强化学习框架，用于有效解决多目标组合优化问题，在不同应用场景下深度增强学习与代表性模型、迁移学习等策略相结合下取得了更好的性能。

    Apr, 2022

  • 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

  • 悲观的离策多目标优化

    多目标优化的离线优化通过现有策略收集的数据进行优化；我们提出了一种悲观估计方法，基于倒数离差分数，可以轻松地插入现有的超体积计算公式进行优化。该方法不仅在理论和实验上改进了朴素的倒数离差分数估计方法，还可以通过策略梯度进行优化，在我们的所有实验中表现良好。

    Oct, 2023