强化学习在多目标优化中的应用：综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Reinforcement Learning for Multi-Objective Optimization: A Review

本文综述多目标优化算法与强化学习的融合研究，分类主流算法及改进，探讨动态高维场景下的协同机制，分析现存挑战并提出未来方向。

　　

摘要

现实世界中的优化问题通常涉及多个可能相互冲突的目标。尽管传统的多目标优化算法在解决各种优化问题方面表现较好，但在面对复杂、动态和高维的优化问题时，它们的性能可能不佳。为了弥补传统算法在适应复杂现实场景方面的不足，近年来研究人员对多目标优化算法与强化学习的结合进行了大量研究。在本文中，我们对近期的相关研究进行了全面回顾。我们将当前的多目标优化算法分为两类：主流的多目标进化算法和其他典型算法，描述了每种算法适用的问题类型以及近期研究带来的算法改进，并系统地阐述了不同类型的算法如何与强化学习相结合。最后，我们讨论了一些尚未解决的问题，并提出了未来研究的几个有前景的方向。