本論文は、従来の多目的最適化の枠組みを拡張した「パラメトリック多目的最適化（PMTO）」という新しい問題設定を提案しています。従来の多目的最適化では、最適化対象となるタスクが固定かつ有限個に限定されていましたが、本研究ではタスクパラメータがθlからθuという連続的で有界な空間内で定義される、無限個の可能性を持つタスク集合を考慮しています。 提案される（θl、θu）-PMTOアルゴリズムは、オフラインとオンラインの2つの相補的な動作モードで機能します。オフラインモードでは、解空間とタスク空間にわたる同時探索を実行し、2つの近似モデルを構築します。第1のモデルは、統一された解空間の点をすべてのタスクの目的空間にマッピングするもので、タスク間の知識転移を促進することで収束を加速させることが証明されています。第2のモデルは、確率的にタスクから対応する解へのマッピングを行い、タスク空間の未探索領域の進化的探索を促進します。 オンラインモードでは、構築されたモデルにより、指定された範囲内のあらゆるタスクに対して、ゼロから探索を始めることなく直接最適化が可能になります。本手法の有効性は、合成テスト問題と実践的なケーススタディで検証されており、特にロボットコントローラの動的な再構成における高速化という実世界での応用可能性が実証されています。加えて、堅牢な工学設計におけるミニマックス最適化問題への解探索の大幅な高速化の可能性も示されています。