非结构化与无界空间中的多目标质量-多样性

质量-多样性（Quality-Diversity, QD）算法是发现多样化、高性能解决方案的强大工具。最近，多目标质量-多样性（Multi-Objective Quality-Diversity, MOQD）将 QD 扩展到了具有多个目标的问题中，同时保持了解的多样性。MOQD 在机器人和材料科学等领域展现出了前景，在这些领域中，找到能效与速度等竞争目标之间或材料属性之间的权衡至关重要。然而，现有的 MOQD 方法依赖于将特征空间划分为网格结构，这阻碍了它们在特征空间未知或必须被学习的领域中的应用，例如复杂的生物系统或潜在探索任务。在这项工作中，我们引入了用于质量-多样性的多目标非结构化库（Multi-Objective Unstructured Repertoire for Quality-Diversity, MOUR-QD），这是一种专为非结构化和无界特征空间设计的 MOQD 算法。我们在五个机器人任务上评估了 MOUR-QD。重要的是，我们展示了我们的方法在特征必须被学习的任务中表现出色，为将 MOQD 应用于无监督领域铺平了道路。我们还证明了 MOUR-QD 在具有无界特征空间的领域具有优势，优于现有的基于网格的方法。最后，我们证明了 MOUR-QD 在现有的 MOQD 任务上与成熟的 MOQD 方法相比具有竞争力，并在某些环境中实现了两倍的 MOQD 分数。MOUR-QD 为 MOQD 在蛋白质设计和图像生成等领域开辟了新的机遇。