生成学习驱动的昂贵大规模多目标优化

The rapid progress in the industry has caused an increase in the number of decision variables and the complexity of objective formulation. One grand challenge in solving these problems is that one single function evaluation is financially and/or computationally expensive, and a promising approach is to develop computationally efficient surrogate-assisted evolutionary algorithms. Now, the core problems associated with this area are to handle large-scale decision variables and complex objective functions. This project plans to solve the above problems, whose main research includes: (1) designing generative learning based offspring reproduction, fitness assignment, and uncertainty evaluation strategies; (2) designing surrogate-assisted evolutionary algorithm for handling complex and computationally expensive large-scale multi-objective optimization problems; (3) cooperating with China COMAC Shanghai Aircraft Design and Research Institute to verify the effectiveness of the designed algorithm and proposing a specified algorithm for solving airfoil optimization problem. This project not only can provide an effective model for surrogate-assisted optimization, but also can offer a possible way for the combination of evolutionary computation and generative learning.

工业的快速发展带来的是所需优化的决策变量的增加和问题形式的日趋复杂。当优化问题单个解的评价在经济/计算上非常昂贵时，算法所能使用的真实评价次数极少，给现有的智能优化方法带来了极大的挑战。采用高效的代理模型辅助进化算法用于求解该类问题是当前的重要途径。而开发适用于求解决策变量大规模且目标函数复杂的算法是代理模型辅助优化领域研究的主要问题。本项目拟针对这些问题进行一下研究：（1）基于生成学习方法设计高效子代生成、候选解评估和候选解质量非确定性评估方法;（2）设计用于处理决策大规模、映射函数复杂的多目标代理模型辅助算法;（3）与上海飞机设计研究院合作，利用客机机翼气动设计问题验证所提算法的有效性。本项目的研究不仅为代理模型辅助优化提供了一种新的算法框架，同时也有望为进化计算与生成学习的结合提供一种新的方向。

工业的快速发展带来的是所需优化的决策变量的增加和问题形式的日趋复杂。当优化问题单个解的评价在经济/计算上非常昂贵时，算法所能使用的真实评价次数极少，给现有的智能优化方法带来了极大的挑战，尤其是针对超临界抖振翼型设计这一难题，抖振机理不明确，需要使用计算代价巨大的CFD仿真模拟抖振发生对应的流场特性，对该类翼型的优化所需时间长、代价大。采用高效的代理模型辅助进化算法用于求解该类问题是当前的重要途径。而开发适用于求解决策变量大规模且目标函数复杂的算法是代理模型辅助优化领域研究的主要问题。本项目针对复杂工业优化这一背景，面向翼型优化这一具体对象，开展了如下研究：.（1）基于生成学习方法设计高效子代生成、候选解评估和候选解质量非确定性评估方法，设计了一种基于生成对抗网络辅助的进化多目标优化算法。该算法能够使用极少真实评价次数，从高质量子代解生成的角度加速算法收敛，并在基准测试集上取得了显著性优势。.（2）针对现有代理模型辅助进化算法只能解决决策维度小于30维这一难点，开发了基于决策变量自适应降维的策略用于降低代理模型建立、训练代价，提升传统代理模型辅助优化算法在决策高维昂贵优化问题上的适用范围。该算法与现有最前沿同类算法在基准测试集上进行了对比，验证了该方法的有效性。.（3）与上海飞机设计研究院合作，提出了使用两类生成学习模型（变分自编码器及条件生成对抗网络）用于自动生成高质量翼型和自动流场预测，用于辅助超临界抖振翼型设计。相关方法基于现有民用客机基础翼型，生成了一系列具有新特性的高质量翼型，为生成学习驱动的翼型设计奠定了方法基础。.项目资助发表SCI期刊论文10篇（其中JCR Q1期刊论文9篇，JCR Q2论文1篇），EI会议论文2篇，在审发明专利1项。项目投入经费16万元，支出13.75万元，各项支出基本与预算相符。剩余经费2.25万元，剩余经费计划用于项目研究后续支出。