本研究提出了TelePlanNet框架，以提高5G网络基站选址的效率。该框架结合三层架构与增强学习，实现了多目标优化，规划一致性提升至78%，显著优于传统方法。

本研究探讨了超参数调优和神经架构优化中的可解释性问题，提出了XAI一致性的新概念和量化指标。通过将其整合入多目标优化框架，发现平衡预测性能与解释稳健性可以实现更可靠的模型选择。

本研究提出了一种新型对抗性多目标优化技术，解决了手动调优聚合函数的效率和适用性问题。该技术通过对抗性差分判别器引导优化，提升了角色的灵活性和杂技表现，且质量与先进运动跟踪方法相当，拓展了应用潜力。

本研究针对土地利用分配中的变量依赖知识缺乏，提出了一种新的变量依赖定义，并获取依赖变量的掩码。通过构建新型交叉操作符，实验表明将其应用于多目标优化算法（NSGA-II和MOEA/D）显著提升了优化效果。

本研究提出了一种基于GAN集成的多目标优化方法，有效解决了生成医学成像时的高保真度、多样性和效率问题，成功生成多样化的合成医疗图像，提升了诊断建模效果。

本研究提出帕累托持续学习框架（ParetoCL），旨在解决持续学习中稳定性与可塑性之间的动态权衡问题。通过多目标优化，ParetoCL在多个数据集上表现优于现有方法，能够有效适应多样化的学习场景。

本文探讨了生成式模型在搜索广告推荐系统中的应用，主要分为信息增强和直接建模两类。重点介绍了CPS广告推荐的核心技术，包括用户意图感知和多目标优化，提出了可控商品推荐和生成式推荐框架，展示了其在提升推荐效果和广告收益方面的显著进展。

本文探讨了生成式模型在广告推荐系统中的应用，分为信息增强和协同信号建模两类。重点介绍了CPS广告的业务需求与核心技术，包括显式意图感知、多目标优化及One4All框架，旨在提升推荐系统的效果与灵活性。

本研究提出了一种新框架，将补救措施视为多目标优化问题，以解决传统算法在多成本函数下的次优解问题。该框架能够处理非可微和离散的成本函数，并识别帕累托最优解。实验结果表明，该方法在大规模图中的扩展性强，能更好地满足现实需求。

本文提出了一种自动化模型合并框架，克服了手动设计超参数合并策略的局限性。该框架利用多保真近似方法，支持单目标和多目标优化，能够在有限计算成本下自动发现有效的合并方案。

本研究提出了一种多目标优化的容器调度方法，旨在提升云原生架构中的资源管理效率、负载均衡和任务完成率。研究结果表明，该方法在效率和服务质量上优于传统算法。

本研究提出了一种非短视的多目标优化实验设计方法，通过超体积改进提升多目标贝叶斯优化的获取函数性能，从而优化资源使用和目标达成潜力。

本研究提出了一种新框架——软硬函数（SHFs），用于多目标优化中的可用性问题。该方法允许决策者对每个目标施加软硬界限，从而优化Pareto前沿的搜索。研究表明，SHF在实际应用中显著提高了效用，尤其在介入放射治疗中提升超过3%。

本研究推出了开源Python库VOPy，旨在解决黑箱向量优化问题，支持多目标优化和凸锥诱导的偏序，推动相关研究与应用。

本研究提出了一种新颖的帕累托最优排序方法，用于有效比较多目标优化算法的性能，能够综合考虑多个性能指标，具有重要的科学和工程应用潜力。

本研究探讨了交互式进化多目标优化中，决策者偏好的动态变化如何影响目标相关性。通过模拟偏好变化并淘汰过时偏好，显著提升了解决方案的质量和吸引力。