11、多目标进化与随机定向问题的优化策略

多目标进化与随机定向问题的优化策略

在当今的计算与优化领域，多目标进化算法以及随机组合优化问题备受关注。我们将深入探讨两个重要的研究方向：一是多目标进化方法在寻找帕累托最优模型树中的应用，二是基于采样的元启发式算法在随机旅行时间定向问题（OPSTS）中的应用。

多目标进化与帕累托最优模型树

在多目标优化的背景下，帕累托方法是一种重要的决策工具。在决策树（DT）和帕累托前沿的研究中，权重偏好可以被引入到多目标优化中。通过一种新的适应度函数，研究人员尝试为进化诱导回归和模型树找到帕累托前沿。

初步实验表明，这种方法有能力为全局模型树（GMT）框架找到帕累托前沿。然而，该方法仍存在许多需要进一步研究和澄清的问题。
- 性能分析 ：新的多目标优化方法对 GMT 性能的影响需要更深入的分析。该方法增加了每个进化循环的计算时间，可能会影响进化算法（EA）的收敛性。
- 效率改进 ：需要考虑额外的效率改进措施，特别是在存储和预处理非支配解的完整列表方面。通过 GPGPU 方法的并行化可以部分缓解性能问题。
- 可理解性问题 ：生成的帕累托前沿的可理解性也是一个需要解决的问题。由于前沿的规模和可能的树的数量，决策者可能难以决定选择哪个预测器。因此，需要在限制输出精英前沿以及改进拥挤函数方面进行更多的研究。

随机旅行时间定向问题（OPSTS）

OPSTS 是一个随机组合优化问题，其目标是在全局截止日期之前选择要服务的节点子集。由于该问题部分涉及到著名的 NP 难题——旅行商问题（TSP），因此 OPSTS 也是