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，解决一个开放性问题。块坐标下降法将一个优化问题分解为k个决策变量块，并依次优化每个块（在其他块固定的情况下），这是一种在一些大规模优化问题中使用的技术，如航空公司调度，但它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。通过对LOTZ变体的双目标测试函数进行理论和实证结果的分析，证明了块坐标下降法更快的情况的存在。该结果可能为这类算法提供更广泛的见解。

研究块坐标下降在进化多目标优化中的渐近效率

将块坐标下降应用于GSEMO算法，提出了一种块坐标版本的GSEMO算法，并证明了在某些情况下块坐标下降更快。

论文提出了一种新的优化算法，并在一个双目标测试函数上进行了理论和实证研究，结果表明块坐标下降在某些情况下比标准GSEMO算法更快。

最近在进化多目标优化领域中的相关研究包括：“An Efficient Multi-objective Evolutionary Algorithm Based on Decomposition for Continuous Optimization Problems”和“Evolutionary Multiobjective Optimization: A Historical View of the Field”等。