针对固定预算的多目标优化，提出高效搜索策略并夺冠。
RDEx-MOP: Indicator-Guided Reconstructed Differential Evolution for Fixed-Budget Multiobjective Optimization
- 用指标引导选择，结合多种进化算子平衡探索与利用。
- 在CEC 2025测试集上总分最高，平均排名领先所有对比算法。
- 适合追求快速收敛的多目标优化任务或竞赛应用。
在2025年CEC多目标优化挑战赛中，评价标准不仅包括最终的IGD值，还关注算法在固定评估预算下到达目标区域的速度。本文介绍用于该赛事有约束多目标优化赛道的重构差分进化算法RDEx-MOP。该方法融合基于指标的环境选择、保持种群多样性的帕累托候选集，以及互补的差分进化算子以实现探索与利用的平衡。我们使用官方发布的检查点轨迹和中位数目标U得分框架对RDEx-MOP进行评估。实验结果表明，该算法在所有公开对比算法中取得了最高总分和最佳平均排名，优于早期的RDEx基线版本。
原文摘要 · Abstract (English)
Multiobjective optimisation in the CEC 2025 MOP track is evaluated not only by final IGD values but also by how quickly an algorithm reaches the target region under a fixed evaluation budget. This report documents RDEx-MOP, the reconstructed differential evolution variant used in the IEEE CEC 2025 numerical optimisation competition (C06 special session) bound-constrained multiobjective track. RDEx-MOP integrates indicator-based environmental selection, a niche-maintained Pareto-candidate set, and complementary differential evolution operators for exploration and exploitation. We evaluate RDEx-MOP on the official CEC 2025 MOP benchmark using the released checkpoint traces and the median-target U-score framework. Experimental results show that RDEx-MOP achieves the highest total score and the best average rank among all released comparison algorithms, including the earlier RDEx baseline.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。