Key points are not available for this paper at this time.
إن حل مشكلات تحسين متعددة الأهداف المقيدة (CMOPs) هو واحد من أكثر مواضيع البحث شعبية في مجتمع تحسين متعدد الأهداف. تم اقتراح استراتيجيات مختلفة تستند إلى خوارزميات متنوعة لمشكلات CMOP المرجعية مع ميزات وتحديات مختلفة. على الرغم من أن معظم هذه الخوارزميات تستخدم استراتيجية واحدة أو أكثر ثابتة، فإن تحديد الاستراتيجية الأكثر ملاءمة يعد تحديًا ويتعلق بالمشكلة. يقدم هذا العمل إطارًا عامًا متعدد المهام يتضمن مهمة رئيسية لمشكلة CMOP الأصلية وعددًا غير محدد من المهام المساعدة استنادًا إلى استراتيجيات مختلفة للمشاكل المساعدة. تُستخدم تقنيات التعلم التعزيزي وفقًا لحالة السكان لاختيار المهمة المساعدة الأكثر ملاءمة خلال العملية التطورية. كأمثلة، تم تطبيق تعلم Q وتعلم Q العميق بنجاح في هذا الإطار. وبناءً عليه، تم تطوير خوارزميتين جديدتين لحل CMOPs. تظهر النتائج فعالية النهج المقترح على خمسة مجموعات اختبار CMOP مرجعية ومشاكل من العالم الحقيقي مقارنةً بـ 11 أسلوبًا متقدمًا.
Ming et al. (Thu,) studied this question.