1、高效近似树状网络高维帕累托前沿

高效近似树状网络高维帕累托前沿

在现实世界的决策中，往往需要同时考虑多个不同的目标。然而，随着目标数量的增加，算法的性能会迅速下降，许多问题变得难以解决。本文聚焦于如何在合理的时间内近似高维帕累托前沿，以亚马逊河流域水电大坝规划问题为背景展开研究。

会议概况

2023 年举办的一场国际会议，收到了 95 份投稿，其中包括 71 篇常规论文和 24 篇扩展摘要。经过严格评审，32 篇常规论文和 11 篇摘要被接受。会议还安排了三场特邀演讲和一个大师班，内容涵盖运输领域的实践与理论新前沿。此外，评选出了最佳论文和最佳学生论文。

会议的组织架构如下：
- 程序主席 ：Andre A. Cire（加拿大多伦多大学）
- 会议/大师班主席 ：Jean - Charles Régin（法国蔚蓝海岸大学）
- 程序委员会成员 ：来自世界各地多所高校和研究机构的众多专家，如 Brandon Amos（美国 Facebook AI）、Marleen Balvert（荷兰蒂尔堡大学）等。

多目标优化问题背景

多目标优化（MOO）在计算可持续性的许多现实问题中至关重要，例如亚马逊河流域水电大坝的战略规划。水电大坝的建设对河流生态系统服务产生持久影响，如鱼类栖息地、迁徙路线、沉积物运输和鱼类生物多样性等。当前最先进的算法虽然能利用河流网络的树结构，通过动态规划方案近似帕累托前沿，并在三四个目标的优化问题上高效求解，但在目标数量达到五个及以上时，性能急剧下降。

为了全面考虑水电大坝建设的影响，需要考虑