当前位置：首页 > article >正文

2025多目标优化创新路径汇总

article 2025/1/31 1:39:01

多目标优化是当下非常热门且有前景的方向！作为AI领域的核心技术之一，其专注于解决多个相互冲突的目标的协同优化问题，核心理念是寻找一组“不完美但均衡”的“帕累托最优解”。在实际中，几乎处处都有它的身影。

但随着需求场景的变化，传统方法早已无法满足，对其进行创新改进也成了必经之路，这也为我们的论文创新提供了机会。比如有作者便通过结合进化算法和贝叶斯优化，对其进行改进，提出了一种多目标优化框架EGBO，成功中稿Nature！

目前好发论文的创新思路主要有：与深度学习前沿技术结合、基于强化学习进行改进、自适应目标权重学习、与迁移学习结合……为方便大家研究的进行，我给大家精心挑选了14篇有参考性的高质量论文，可以无偿分享给你！

论文原文+开源代码需要的同学看文末

Perception-Distortion Balanced Super-Resolution: A Multi-Objective Optimization Perspective

内容：文章提出了一种新的图像超分辨率（SR）技术，旨在通过多目标优化方法平衡感知质量和扭曲程度。该方法通过结合无梯度的进化算法（EA）和基于梯度的Adam优化器，解决了现有SR方法中感知和扭曲损失函数冲突的问题，有效提高了SR模型的感知质量和重建保真度。实验结果表明，该方法在多个基准数据集上均优于现有的最先进方法，实现了更好的感知-扭曲权衡

Neural Multi-Objective Combinatorial Optimization with Diversity Enhancement

内容：本文提出了一种新的神经启发式方法，名为神经多目标组合优化与多样性增强（NHDE），用于解决多目标组合优化（MOCO）问题。该方法通过增强多样性来产生更多的Pareto解，从而提高解集的质量和多样性。NHDE通过两个主要方面来实现这一目标：一是通过指标增强的深度强化学习方法来指导模型，避免不同子问题产生重复解；二是通过多种Pareto最优策略来挖掘每个子问题邻域中的更多解。实验结果表明，NHDE能够在经典的MOCO问题上生成具有更高多样性的Pareto前沿，从而实现更优的整体性能。此外，NHDE具有通用性，可以应用于不同的神经MOCO方法

Evolution-guided Bayesian optimization for constrained multi-objective optimization in self-driving labs

内容：本文提出了一种名为进化引导贝叶斯优化的算法，用于解决自驾车实验室中的约束多目标优化问题。该算法结合了进化算法（EA）的选择压力和基于q-噪声期望超体积改进（qNEHVI）的贝叶斯优化，以提高优化效率和减少采样浪费。通过在自驾车实验室中对银纳米粒子合成的实验和对合成问题的模拟研究，EGBO展示了在优化效率和约束处理方面的改进。此外，EGBO在高维决策空间中也能有效避免不可行区域，即使在可行空间非常有限的情况下也能保持良好的性能

Future-Conditioned Recommendations with Multi-Objective Controllable Decision Transformer

内容：本文提出了一种名为MocDT的模型，旨在解决推荐系统中的多目标可控推荐问题。MocDT通过引入控制信号，使得模型能够在推理阶段根据指定的多个目标生成相应的项目序列，无需重新训练模型。该模型基于离线强化学习，利用Transformer的强大建模能力，将多目标优化问题转化为序列建模任务。实验结果表明，MocDT在多个数据集上均能有效生成符合预定义多目标目标的项目序列，展现出良好的可控性和适应性。此外，文章还探讨了数据增强策略对模型性能的影响，为优化多目标推荐提供了有价值的见解。

Constrained Multi-objective Optimization with Deep Reinforcement Learning Assisted Operator Selection

内容：本文提出了一种基于深度强化学习（DRL）的在线算子选择框架，用于解决约束多目标优化问题（CMOPs）。该框架通过将种群的动态特性（包括收敛性、多样性和可行性）视为状态，候选算子视为动作，种群状态的改进视为奖励，利用Q网络学习策略以估计所有动作的Q值，从而自适应地选择能最大化种群改进的算子。该框架被嵌入到四种流行的CMOEAs中，并在42个基准问题上进行评估。实验结果表明，DRL辅助的算子选择显著提升了这些CMOEAs的性能，并且与九种最先进的CMOEAs相比，所得到的算法在不同问题上展现出更好的通用性。