高维多目标进化算法关键问题研究

It is of much important application value and theoretical significance for us to study many-objective evolutionary optimization. To deal with the failure of the Pareto dominance relationship in many-objective optimization, this project study the relationship between individuals, and establish a new individual evaluation criteria alternative Pareto method to enhance the selection pressure, and improve the convergence of many-objective evolutionary algorithm. For the difficulty to convergence in many-objective optimization, we use coordinate transformation, grid technology and so on to separate convergence information and distribution information, and balance convergence and diversity. For solving the difficulty of the performance assessment caused by the "dimensional disaster", we use the space discrete point processing methods to improve the credibility and accuracy to reduce the evaluation complexity. To improve the search efficiency in many-objective optimization, we study the new technologies based on preference to reduce the search space and improve the search efficiency. Because redundant objectives may exist in many-objective optimization problem, we study the objective-reduction methods to reduce the redundant objectives, and improve the efficiency of the algorithm. By the researching of the above issues in many-objective optimization, we establish the theoretical basis, provide the general framework and performance assessment system, to provide guidance for further research and application in many-objective optimization.

对高维多目标进化优化(EMO)的研究，具有重要应用价值和理论意义。本项目针对高维EMO中Pareto支配关系失效的问题，研究高维多目标问题解个体之间的关系，建立新的个体评价准则替代Pareto方法，增强进化的选择压力，提高高维EMO算法的收敛性能；针对难以均匀收敛的问题，利用坐标变换、网格等技术分离解集的收敛信息和分布信息，平衡收敛性和分布性；针对"维数灾难"使性能评价十分困难的问题，利用空间离散点处理等技术和方法，提高评价的可信度和精确度，降低评价的复杂性；针对高维EMO中搜索效率十分低的问题，研究基于偏好信息的新方法和新技术，以减少搜索空间、提高搜索效率；针对高维优化问题中可能存在冗余目标的情况，研究减少冗余目标的方法，提高高维EMO求解问题的效率。通过对以上高维EMO关键问题的研究，建立高维EMO的理论基础、一般框架和性能评价体系，为高维EMO进一步研究和应用提供指导。

对高维多目标进化优化(EMO)的研究，具有重要应用价值和理论意义。本项目针对高维EMO中Pareto支配关系失效的问题，研究高维多目标问题解个体之间的关系，建立新的个体评价准则替代Pareto方法，增强进化的选择压力，提高高维EMO算法的收敛性能；针对难以均匀收敛的问题，利用坐标变换、网格等技术分离解集的收敛信息和分布信息，平衡收敛性和分布性；针对"维数灾难"使性能评价十分困难的问题，利用空间离散点处理等技术和方法，提高评价的可信度和精确度，降低评价的复杂性；针对高维EMO中搜索效率十分低的问题，研究基于偏好信息的新方法和新技术，以减少搜索空间、提高搜索效率；针对高维优化问题中可能存在冗余目标的情况，研究减少冗余目标的方法，提高高维EMO求解问题的效率。本项目通过对以上高维EMO关键问题的研究，建立高维EMO的理论基础、一般框架和性能评价体系，为高维EMO进一步研究和应用提供指导。组织学术讨论会议一次，参加国际学术会议4人次，同时积极参与国内高校举办的该领域的研讨会，与高校知名教授就高维多目标进化优化的关键问题展开交流和讨论。培养研究生 37 人。其中在读硕士研究生20人；博士后2人，博士毕业2人，硕士毕业13人。出版专著一部，专利一项，在重要学术期刊上发表论文20篇，期刊论文16篇，其中SCI收录9篇，EI收录7篇；会议文章4篇。