في عالم الذكاء الاصطناعي، تعتبر المشاكل المتعلقة بالأمثلية متعددة الأطراف (Multi-Party Multi-Objective Optimization Problems - MPMOPs) من التحديات المعقدة التي تتطلب توافقًا بين صناع القرار المستقلين. على عكس التصورات التقليدية للأهداف المتعددة، تتطلب MPMOPs تعاونًا فعليًا لتحقيق حلول مرضية للجميع.

لقد أظهرت الأبحاث الأخيرة أن هناك قصورًا في النظريات الحالية المتعلقة بإستراتيجيات الأداء في خوارزميات التطور متعددة الأهداف، حيث كانت تركز بشكل رئيسي على تقدير الحدود الفردية غير فعّال في سياق MPMOPs.

في سياق تحليل الأداء، قمنا بدراسة استراتيجيات التقاطع بين الأطراف الممثلة في بيئات مختلفة. أولاً، عند تحليل MP-JCG، وهو إطار مرجعي يبرز الفجوات المستخدمة، اكتشفنا أن الأساليب التقليدية تواجه تحديًا في تجاوز الفجوات، مما يتطلب عددًا كبيرًا من التقييمات.

وفي المقابل، تمكنا من تطوير نسخة معدلة من خوارزمية CPR-NSGA-II، حيث أثبتت أنها أكثر فعالية في اكتشاف الحلول المثلى المشتركة، باعتمادها على أساليب تجميع أنماط تكميلية عبر السكان.

وبالنسبة لمشكلة BPBOMST، والتي تتطلب توافقًا بين طرفين مع هدفين لكل طرف، قمنا بتطوير تحليل دعم طبقي يوضح كيف يمكن استغلال المتوسط symmetrically لإنتاج اختصارات مفيدة.

من خلال هذه الأبحاث، تم تقديم حدود زمنية متوقعة تمهد الطريق لفهم تأثيرات ملء الحدود المحلية، والتقاطعات بين الأطراف، وعمليات الإصلاح، مما يقدم إطارًا علميًا يسهم في تحسين الأداء العام للأدوات المستخدمة في هذا المجال.