存在多目标优化问题，其中目标函数可能相互冲突，这可能具有多个帕累托最优解。论文多目标优化使用遗传算法：一个教程（2006）很好地概述了遗传算法的多目标优化问题，可以称为进化多目标优化（EMO）或多目标优化进化算法（教育部）。

一种常见的多目标遗传算法是NSGA（或NSGA-2和NSGA -3 ） ，它代表 Non- descent -人口）和精英主义（当前人口中最好的个人被传给下一代）。

如果你想玩 MOEA，你可能想试试 Pythondeap包，它支持例如NSGA-2算法。

MOEA 听起来很酷，但我觉得如果不讨论生成对抗网络 (GAN)，就无法真正谈论 AI 中的冲突，通过训练模型检测猫和狗和一个对抗性网络被训练来创建图片，以尽可能地欺骗训练网络。网络的完全冲突的目标使两者都能得到很好的训练，因此模型最终变得更加健壮，并且能够处理有时奇怪生成的边缘情况。

我还发现了这篇论文Evolutionary Multi-Objective Optimization Driven by Generative Adversarial Networks (GANs) (2019)，它结合了 MOEA 和 GAN，但可能还有更多相关论文。