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

Apr, 2024

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

Runtime Analysis of Evolutionary Diversity Optimization on the Multi-objective (LeadingOnes, TrailingZeros) Problem

Denis Antipov, Aneta Neumann, Frank Neumann. Andrew M. Sutton

TL;DR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。

Abstract

The diversity optimization is the class of optimization problems, in which we aim at finding a diverse set of good solutions. One of the frequently used approaches to solve such problems is to use evolutionary algorithm

diversity optimization evolutionary algorithms pareto-optimal solutions gsemo diversity measures

发现论文，激发创造

使用 GSEMO 在 OneMinMax 上进行多样性优化的严格运行时分析

本论文研究了 GSEMO 算法在多目标优化中优化群体多样性的方法，阐述了该算法在解决 Pareto - 最优问题中的优势，并得到当问题规模为奇数时，预期时间内收敛到具有最优多样性的种群的证明，分析中涉及了种群的随机漫步等相关理论。

Jul, 2023

多样性基于的父辈选择策略的设计与分析 —— 加速多目标进化优化

本研究提出了一种基于多样性的度量方法来改进遗传算法中的亲本选择，研究发现其在解决多目标优化中表现良好，并探讨出现停滞的原因和对策。

May, 2018

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

质量和多样性优化：一个统一的模块化框架

本文提出了一个全面的质量多样性优化算法统一框架，探讨了该算法族群的大量变体，并提出了一种新的集合管理机制解决了在使用无结构的集合时观察到的侵蚀问题，同时还提出了使用质量多样性优化算法的新的选择机制，其性能比本文测试的所有算法都要好，这三个贡献都得到了质量多样化算法在三个不同实验场景下的广泛实验比较的支持。

May, 2017

在噪声存在的情况下多目标进化算法的运行分析

通过数学运行分析一个简单的多目标进化算法 (MOEA) 在评估函数噪声存在的情况下对模拟基准的第一次 Pareto 前沿的发现表明，MOEA 的稳健性源于其隐式多样性机制，该机制旨在使其能够计算涵盖整个 Pareto 前沿的人口。

May, 2023

通过多样质量种群实现高效的质量多样性优化

本文提出了一种名为 Diverse Quality Species (DQS) 的新型质量 - 多样性算法，能够在不需要存档或事先定义行为范围的情况下，将解决方案分解为独立进化种类，并利用无监督技能发现来学习多样化而高性能的解决方案，在多个仿真机器人环境中进行评估，结果表明 DQS 比其他 QD 算法更具样本效率和性能。

Apr, 2023

利用 MOEA/D 求解多目标最小权重基问题的严格运行时分析

研究了多目标最小重量基问题的性质，并给出了 MOEA/D 算法的运行时间分析，表明在理论和实践方面都比已有的算法更优，可望在预期的多项式时间内找到所有的极值点。

Jun, 2023

一个块坐标下降的多目标优化算法：理论和实证分析

存在一种条件，使得块坐标下降在进化多目标优化中达到渐近效率，我们考虑了这个开放问题并提出了块坐标版本的 GSEMO 算法来与标准 GSEMO 算法的运行时间进行比较，理论和实证结果表明了块坐标下降更快的情况的存在，这一结果可能对此类算法产生更广泛的见解。

Apr, 2024

基于种群的强化学习的相位多样性优化

多样性强化学习中的多样性优化算法中，通过引入一种称为 Phasic Diversity Optimization (PDO) 的基于群体训练的框架，将奖励和多样性分别训练，并在敌对空战和 MuJoCo 仿真中的实验表明，其性能优于基线算法。

Mar, 2024

EmoDM: 用于进化多目标优化的扩散模型

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。

Jan, 2024