基于分解的动态进化算法及其对动态优化问题的目标跟踪性研究

Compared with static optimization, dynimic optimization problems are more complicated. However, dynamic models better resemble real-life problems, then research on the dynamic optimizations has important theoretical values and broad application backgrounds. Multi-objective evolutionary algorithm based on decomposition (MOEA/D) is an excellent static multi-objective framework recently proposed. To better solve the dynamic optimization problems, especially the dynamic multi-objective optimization problems, several new type of dynamic evolutionary algorithms based on decomposition are proposed in this project, in which MOEA/D and some other excellent static models as reference are adopted and combined. Effective environment varying rules are given, and environment varying self-checking operators are designed in the proposed algorithms, so that the algorithms can effectively determine the changes of the environments. When detected the environmental changes, the next environment population or Pareto optimal solutions are approximately estimated using the obtained solutions, which guide to the search of the next environment and improve the search efficiency of algorithms. Kernel estimates or other distribution estimation methods, related machine learning technologies are considered in the proposed algorithms.

相较于静态优化问题，动态优化问题的求解要复杂许多。然而动态优化模型更能反应现实生活中的问题，因此动态优化问题的研究具有重要的理论意义和广阔的应用背景。基于分解的多目标进化算法是近几年提出的一种非常优秀的新型静态多目标算法框架。为更好地解决动态优化问题，尤其是动态多目标优化问题，本课题拟将这一算法框架结合其它一些优秀的静态算法模型作为借鉴引用到求解动态优化问题的过程当中，针对不同类型的动态优化问题，拟提出几种基于分解的动态进化算法。在算法设计中，给出环境变化的有效判断规则，设计有效的环境变化自检算子，以使算法能有效地判断环境的变化并及时进行目标的跟踪；当探测到问题环境发生改变时，采用核分布估计或其它分布估计法、机器学习等相关技术，利用环境以前获得的有用解的信息对下一环境下的进化种群或Pareto最优解的位置进行近似估计，以引导种群进行下一环境下的搜索，提高算法效率。

本项目为基于分解的动态进化算法及其对动态优化问题的目标跟踪性研究。相较于静态优化问题，动态优化问题的求解要复杂许多。然而动态优化模型更能反应现实生活中的问题，因此动态优化问题的研究具有重要的理论意义和广阔的应用背景。基于分解的多目标进化算法是近几年流行的一种新型静态多目标算法框架。为更好地解决动态优化问题，尤其是动态多目标优化问题，本课题将这一算法框架应用到求解动态优化问题的过程当中，针对不同类型的动态优化问题，设计了几种分解类动态进化算法。. 项目的研究内容及取得的成果主要表现在：（1）在环境变化检测方面，给出了环境变化的有效判断规则，设计了几种环境变化自检算子，将其应用于动态优化算法，并将其应用到了多智能体队形控制、自治系统等控制过程中；（2）在内层的算法设计方面，针对基于分解的多目标进化算法，从权向量的设置、分解方式、进化算子等几个方面进行改进，提出了几种分解类多目标进化算法，并将其应用于解决目标个数比较多的高维多目标优化问题，取得了较好的效果；（3）在目标跟踪性方面，当探测到问题环境发生改变时，采用分布估计、增量学习、记忆机制等，利用已获得的有用解信息对下一环境下的进化种群或Pareto最优解的位置进行估计和预测，以引导种群进行下一环境下的搜索，提高了算法效率，采用的机器学习技术还应用到了图像分类和跨媒体检索领域。. 本课题按照研究目标，完成了相应的研究内容；发表论文25篇，其中SCI检索10篇，EI检索13篇；申请发明专利2项，授权1项；人才培养方面，培养及协助培养青年教师、博士研究生2名，硕士研究生6名；课题组成员积极参与协助举办中日学术论坛、2017中国自动化大会，邀请机器学习、优化领域5位专家来进行学术报告交流，参加ECOLE 2016，2017、ICNC-FSKD 2016、CAC 2017、MLA 2015、VALSE等学术会议7次。