机器学习模型的超参数优化是一个具有多目标的挑战性问题，本研究提出了一种多目标贝叶斯优化算法，通过统一目标规范化和随机化权重在标量化中解决了不同目标尺度的问题，并通过限制目标来提高算法效率，最后通过并行化加速了优化过程。

Sep, 2023

本文提出一种基于多目标进化算法的优化方法，以在给定一组应用程序的情况下寻找最佳缓存配置，结果显示我们的优化框架能够获得针对 Mediabench 应用程序的优化缓存，与基线缓存相比，我们的设计方法在执行时间和能耗上平均分别提高了 64.43％和 91.69％。

Feb, 2023

介绍了一种通过黑盒多目标优化算法进行大型语言模型合并的新方法，通过自动化配置搜索的过程，使用多个多样化任务的性能估计作为优化目标，以消除不同源模型之间的参数冲突，同时不丢失重要的增量参数，提供了模型合并技术的重要进展，为将多个模型集成为统一的高性能模型提供了强大而易于使用的解决方案。

Jun, 2024

本文提出一种适用于多个质量变量的多变量软测量方法，通过改良神经网络结构和优化目标函数，实现了对质量变量的准确估计。在这个方法中，作者利用目标专家混合模块（OMoE）和帕累托目标路由模块（POR）解决了模型中存在的负面迁移和平衡问题，实验结果表明，该模型表现出了先进的性能。

Feb, 2023

本文旨在为配置软件系统的优化提供决策支持。通过对 426 个论文和 14 个真实环境的综合研究，本文发现指导性能调优的优化模型选择取决于期望的现实可实现度；指导性能调优的位置和性质在选择方面不太重要，但它们对改进的程度有影响；调整预算虽然在非现实期望方面有所帮助，但在现实期望方面则不重要。

Jan, 2023

通过比较九种基于进化计算的多目标算法的结果，使用 Friedman 的非参数测试，本文创建了一个多算法系统，根据用户需求能够应用不同的技术，以优化和改进基础设施即代码部署配置的多目标问题。

Jan, 2024

本文提出了一种基于蒙特卡罗树搜索的进化算法 -- LMMOCTS，旨在改进大规模多目标优化问题的性能和灵敏度。该方法通过抽样决策变量来构建蒙特卡罗树上的新节点进行优化和评估，并选择具有良好评估的节点进行进一步搜索，针对决策变量规模带来的性能灵敏度进行解决。在实验中，与数种最新设计进行了对比，并提出了两个度量算法灵敏度的指标，结果证明了该方法对于解决大规模多目标优化问题具有有效性和性能的灵敏度。

Apr, 2023

HyperMapper 2.0 is a new methodology and software framework that handles multi-objective optimization, unknown feasibility constraints, and categorical/ordinal variables for computer systems design, achieving better Pareto fronts and improved sampling for hardware accelerators.

Oct, 2018

使用多目标优化的方法直接优化错误 - 公平性权衡，并提出了一个灵活的框架来定义权重分类问题和多个代价函数，以减少优化参数，同时在真实问题中获得了更好的错误 / 公平性权衡解决方案。

Apr, 2023

该论文提出了一种利用 LMS 指标和多目标优化方法来寻找符合用户性能标准的智能设计方案的方法，并在多个问题上进行了验证与分析。

Jun, 2023