A Block-Coordinate Descent EMO Algorithm: Theoretical and Empirical Analysis

我们考虑是否存在条件，使得块坐标下降法在进化多目标优化中渐近有效，解决了一个开放性问题。块坐标下降法将优化问题分解为k个决策变量块，然后按顺序优化每个块（将其他块固定），是一种用于某些大规模优化问题（如航空公司调度）的技术，但其在多目标优化中的使用较少研究。我们提出了一个块坐标版本的GSEMO，并将其运行时间与标准GSEMO算法进行比较。在一个双目标测试函数（LOTZ的变体）上的理论和实证结果表明了块坐标下降法更快的情况的存在。该结果可能会为这类算法提供更广泛的见解。

论文试图解决块坐标下降在多目标优化中是否具有渐近有效性的问题，并提供一个块坐标版本的GSEMO算法。

论文提出了一种块坐标版本的GSEMO算法，并与标准的GSEMO算法进行了比较，理论和实证结果表明，在一些情况下，块坐标下降比标准算法更快。

论文对一个双目标测试函数进行了理论和实验分析，提出的算法在大规模优化问题中具有实用价值，论文未提供开源代码。

最近的相关研究包括：《A survey of multi-objective optimization techniques》、《Evolutionary multi-objective optimization: A historical view of the field》等。