Offline Multi-Objective Optimization

离线优化旨在通过静态数据集最大化黑盒子目标函数，具有广泛的应用。除了目标函数是黑盒且评估代价高之外，许多复杂的现实问题需要优化多个相互冲突的目标，即多目标优化（MOO）。然而，与离线单目标优化（SOO）相比，离线MOO的进展还不够显著，这主要是由于缺乏像SOO的Design-Bench这样的基准测试。为了弥补这一差距，我们提出了一个离线MOO的第一个基准测试，涵盖了从合成到真实任务的一系列问题。该基准测试提供了任务、数据集和开源示例，可作为方法比较和离线MOO进展的基础。此外，我们从数据、模型架构、学习算法和搜索算法四个基本角度分析了当前相关方法如何适应离线MOO。实证结果显示，离线MOO方法的效果优于训练集的最佳值，证明了其有效性。由于没有特别突出的方法，因此进一步提高离线MOO的效果仍然是一个开放性挑战。最后，我们讨论了离线MOO的未来挑战，希望为这个新兴领域提供一些启示。我们的代码可在\url{https://github.com/lamda-bbo/offline-moo}上获得。

提出离线多目标优化（MOO）的基准测试问题，并探讨该领域的未来挑战

提出了一个离线MOO基准测试，包括从合成到真实任务的一系列问题，为方法比较和离线MOO的进展提供了基础。从数据、模型架构、学习算法和搜索算法四个基本方面分析了如何将当前相关方法适应离线MOO。实验结果显示，离线MOO方法比训练集的最佳值有所提高，证明了其有效性。

提出了离线MOO的基准测试，提供了数据集和开源示例，为方法比较和离线MOO的进展提供了基础。实验结果表明离线MOO方法的有效性。提出了离线MOO领域的未来挑战。

最近的相关研究包括多目标优化和单目标优化，以及基准测试的设计和使用。