面向进化多目标优化的局部自适应学习模型与算法研究

This proposal focuses on the key techniques of evolutionary multi-objective optimization in balancing the global and local search, adjusting parameters adaptively, and making full use of the priori and process knowledge. Lamarckian learning and Baldwinian learning models for multi-objective optimization will be designed. Adaptive cooperative strategy of these two local learning models will also be studied. The adaptive parameter learning model will be proposed based on problem-specific priori knowledge and process knowledge of population evolution. Based on these local learning and adaptive learning models, multi-objective memetic algorithms with enhenced local search and parameter-adptive learning will be proposed. Their effectiveness and novelties will be validated. Their applications in complex network analysis and mining will be studied. We will publish 15-20 papers in related leading journals and conferences, apply 5-6 patents, and bring up 8-10 graduate students.

本课题针对进化多目标优化中全局搜索与局部搜索的平衡、算法参数的自适应调整、先验知识与过程知识的有效利用等关键问题展开研究。建立适用于多目标优化的拉马克学习和班德文学习两类局部学习模型，并设计两种局部学习模型的自适应协同策略。有效利用待求解问题的先验知识与搜索过程中获得的知识，建立适用于多目标优化的参数自适应学习模型，实现对高阶知识的学习。基于局部学习和自适应学习模型，提出局部搜索能力强、具备参数自适应学习能力的多目标Memetic算法，分析各学习模型对算法性能的影响，验证模型和算法的有效性与先进性。在理论研究的基础上，开展进化多目标优化在复杂网络结构分析等问题上的应用研究。研究成果在本领域重要期刊和会议发表论文15～20篇，申报国家发明专利5～6项，培养博士、硕士8～10名。

本课题严格按照研究计划进行，主要研究成果包括：针对进化多目标优化中全局搜索与局部搜索的平衡、算法参数的自适应调整、先验知识与过程知识的有效利用难题，分析模拟了个体学习与群体学习在不同尺度的竞争与协作机制，揭示了进化多目标优化过程中从局部统计信息中获取针对问题的特定知识指导全局搜索，是提高进化多目标优化算法寻优能力的关键，基于贝叶斯理论证明了个体学习和群体学习对缓解演化搜索盲目性、加速其收敛速度的必要性，提出了实现个体学习的拉马克学习模型与实现群体学习的班德文学习模型，设计了适用于多目标优化的参数自适应学习模型。基于局部学习和自适应学习模型，提出了局部搜索能力强、具备参数自适应学习能力的多目标Memetic 算法，建立了协作学习与优化的协同认知进化多目标优化框架。在理论研究的基础上，开展了进化多目标优化在复杂网络结构分析等问题上的应用研究。针对网络模度优化的分辨率限制问题，基于协同认知进化多目标优化模型，设计了相互冲突的多分辨目标函数，将网络社区发现建模为多目标优化问题，设计了基于网络拓扑的个体学习策略，提出了用于多分辨社区检测的进化多目标优化算法，算法求得的非支配解集合代表不同分辨率下的网络划分结果，解决了网络的自适应多分辨社区检测难题，并成功应用于网络结构平衡、网络鲁棒性、个性化推荐、影响力最大化等网络结构分析问题。本课题共计发表SCI检索论文27篇，其中23篇发表在《IEEE Transactions on Evolutionary Computation》、《IEEE Transactions on Neural Networks and Learning Systems》、《IEEE Computational Intelligence Magazine》等一区、二区权威期刊上，申请国家发明专利10项，其中7项已授权，培养博士6人、硕士研究生11人，研究成果获2016年教育部自然科学奖二等奖，圆满完成了预期研究目标。