[论文] 连续动态多目标优化基准测试：综述与通用测试套件

Source: arXiv - 2601.01317v1

概览

动态多目标优化（DMOO）针对需要在环境持续变化的情况下平衡多个目标的问题——比如在流量波动的网络中路由数据包，或在新数据流入时调优机器学习模型的超参数。本文提出了一个全新且高度真实的基准套件，使研究人员和工程师能够在极其贴近真实世界动态的条件下，严格测试他们的 DMOO 算法。

关键贡献

• 通用的 DMOP 公式 使得帕累托最优集能够在任意超曲面上演化，突破了旧基准中对“静态形状”的限制性假设。
• 受控的变量贡献不平衡 用于创建异质的搜索景观，模拟仅有部分参数驱动性能的情景。
• 动态旋转矩阵 引入随时间变化的变量交互和非可分性，重现工程系统中出现的复杂耦合效应。
• 时间扰动机制 用于不规则、非周期性的环境变化，反映现实世界的噪声和突发事件。
• 通用的时间关联模型 将历史解的质量注入未来问题实例，捕捉错误累积和误导性趋势等现象。
• 广泛的实证验证 表明新套件在区分最先进算法方面比经典基准更为敏锐。

方法论

1. Problem Construction – 作者从一个通用的多目标函数出发，嵌入了三个“动态旋钮”：
   • Pareto‑set motion（最优折衷曲线在超曲面上移动），
   • Variable contribution（某些维度的影响力大于其他维度），以及
   • Variable interaction（旋转矩阵随时间旋转搜索空间）。
2. Temporal Perturbations – 与平滑的正弦变化不同，他们注入了随机突发和不规则间隔，以模拟真实世界的冲击。
3. Time‑Linkage Embedding – 一个数学项将当前目标值与过去的解质量关联，使基准能够模拟“误差传递”或“欺骗”，即过去的好解在后期可能变得误导。
4. Test Suite Assembly – 通过组合这些旋钮，他们生成了一个 catalog of 30+ benchmark instances，涵盖低维到高维问题、不同难度等级以及多种动态模式。
5. Evaluation Protocol – 在相同的预算下运行流行的 DMOO 算法（如 NSGA‑II‑D、MOEA/D‑D 以及近期的深度学习方法），并使用动态扩展的超体积和倒代际距离来衡量性能。

结果与发现

• 更高的判别能力 – 新基准在算法之间产生了更广泛的性能分数差异，揭示了经典静态或周期性基准所掩盖的优势和劣势。
• 算法敏感性 – 明确建模时间关联（例如具有记忆或预测组件的算法）的方法优于仅对当前环境作出反应的算法，确认了历史信息的重要性。
• 对不规则变化的鲁棒性 – 具有自适应种群规模或自调变异率的算法比固定参数基线更好地应对了不规则扰动。
• 可扩展性洞察 – 随着维度和旋转复杂度的提升，许多算法的超体积出现了急剧下降，凸显了在动态环境中更好处理非可分性的需求。

实际意义

• 更真实的测试场景 – DMOO 求解器的开发者（例如用于自动驾驶车辆车队路径规划、自适应云资源分配或在线推荐系统）现在可以在 实际生产环境相似 的场景中进行基准测试。
• 算法设计指南 – 结果表明，在处理非平稳、耦合变量时， 引入记忆、预测模型和自适应算子 能够带来实质性的提升。
• 工具集成 – 基准套件以开源 Python 包的形式发布，提供简洁的 API，便于接入现有的进化计算库（DEAP、Platypus、jMetal）。
• 性能驱动开发 – 团队可以利用该套件在部署到实际系统前进行算法微调的 A/B 测试，从而降低因环境突变导致性能骤降的风险。

限制与未来工作

• Synthetic Nature – 虽然基准测试模拟了许多真实世界的特性，但它们仍然是合成的；仍需在 特定领域数据集（例如电网负荷平衡、实时视频编码）上进行验证。
• Computational Cost – 高维、强旋转的实例评估成本可能很高，这可能限制对超大规模问题的快速原型开发。
• Limited Algorithm Set – 本研究聚焦于少数具代表性的 DMOO 方法；将比较扩展到 基于强化学习 或 基于代理模型 的方法可能会发现更多洞见。
• Future Extensions – 作者计划加入 多模态动态景观、约束处理 和 分布式评估 能力，以进一步缩小基准测试与生产环境之间的差距。

作者

• Chang Shao
• Qi Zhao
• Nana Pu
• Shi Cheng
• Jing Jiang
• Yuhui Shi

论文信息

• arXiv ID: 2601.01317v1
• 分类: cs.NE
• 出版日期: 2026年1月4日
• PDF: 下载 PDF