解耦基向量驱动的动态多目标优化生成框架
机器学习
2026-04-02 v1
摘要
动态多目标优化需要持续追踪移动的帕累托前沿。现有方法在应对不规则突变和数据稀疏性方面存在困难，主要面临三个挑战：动态模式的非线性耦合、历史数据的负迁移以及环境切换时的冷启动问题。为解决这些问题，本文提出了一种解耦基向量驱动的生成框架（DB-GEN）。首先，为解决非线性耦合，该框架采用离散小波变换将进化轨迹分离为低频趋势和高频细节。其次，为缓解负迁移，它通过稀疏字典学习而非直接记忆历史实例来学习可迁移基向量。在拓扑感知对比约束下重新组合这些基向量，构建了结构化的潜在流形。最后，为克服冷启动问题，一种代理辅助搜索范式从该流形中采样初始种群。在 1.2 亿个解上预训练后，DB-GEN 执行直接在线推理而无需重新训练或微调。该零样本生成过程在毫秒级执行，每次环境变化约需 0.2 秒。实验结果表明，DB-GEN 在各种动态基准测试上相比现有算法提升了追踪精度。
引用
@article{arxiv.2604.00508,
title = {A Decoupled Basis-Vector-Driven Generative Framework for Dynamic Multi-Objective Optimization},
author = {Yaoming Yang and Shuai Wang and Bingdong Li and Peng Yang and Ke Tang},
journal= {arXiv preprint arXiv:2604.00508},
year = {2026}
}