模型辅助演化多目标优化及应用

Multiobjective evolutionary algorithms (MOEAs) are a hot research topic in community of evolutionary computation and it has become the major algorithm framework to deal with multiobjective optimization problems (MOPs). However, most of MOEAs are driven by the fitness values and do not extract and use problem information in the search actively. This leads to the low efficiency when dealing with complex MOPs. Furthermore, the operational effectiveness optimization under the complex versus environments is a kind of real-word applications with multiple variables, multiple constraints, and multiple objectives. Since the fitness evaluation is relatively expensive due to the computational simulation, there is still lack of efficient MOEAs. Therefore, both the theoretical research and real-world applications demand more efficient MOEAs. Facing this challenge, this project aims to systematically study the machine learning methods and models assisted MOEAs, and improve the search efficiency by automatically extracting problem information and guiding the search online. On one hand, the project will study how to learning methods and models to extract problem information and guide the search from the viewpoint of the representation of the Pareto optimal solutions, the reproduction operators, and the selection operators. On the other hand, the project will study how to deal with the operational effectiveness optimization application by designing more efficient MOEAs. This project will encourage both the development and application of MOEAs.

多目标演化算法是演化计算领域的研究热点，也是求解多目标优化问题的主要方法。然而当前多目标演算法主要依赖目标函数值驱动、缺乏对所求解问题信息的全面挖掘和有效利用，这导致在面对复杂问题时算法效率不高；复杂战场环境下武器系统作战效能优化是一类包含多变量、多约束、多目标的实际应用问题，由于需要通过仿真来估计约束和目标函数值，计算代价高昂，目前仍缺乏高效的求解方法。因此，无论是理论研究还是工程应用都给多目标演化算法提出了更高的效率要求。为应对该挑战，本项目拟系统研究学习模型辅助的演化多目标优化，通过自动对问题信息挖掘和使用，提高算法对复杂问题的求解效率。一方面，从Pareto最优解集的表示、重组算子和选择算子等三个方面来研究如何利用学习方法和模型来挖掘问题信息和指导算法搜索；另一方面，结合武器作战效能优化工程应用问题来验证和改善新算法。项目的成功实施，可为演化多目标优化研究和应用提供新的理论和方法。

多目标演化算法是演化计算领域的研究热点，也是求解多目标优化问题的主要方法。然而当前多目标演算法主要依赖目标函数值驱动、缺乏对所求解问题信息的全面挖掘和有效利用，这导致在面对复杂问题时算法效率不高;复杂工程优化往往包含多变量、多约束、多目标，由于需要通过仿真来估计约束和目标函数值，计算代价高昂，目前仍缺乏高效的求解方法。因此，无论是理论研究还是工程应用都给多目标演化算法提出了更高的效率要求。为应对该挑战，本项目系统研究了基于学习模型辅助的演化多目标优化，通过自动对问题信息挖掘和使用，提高算法对复杂问题的求解效率。项目研究进展顺利，在理论研究方面围绕(1)基于模型的Pareto最优解集表达；(2)基于模型的新解产生算子设计；(3)基于模型的选择算子设计；(4)演化多目标算法典型应用等4个方面展开了重点研究。在理论方法上取得了多项突破，圆满完成了以上研究任务，实现了预的研究目标。在研究成果方面，课题组成员已出版学术论文27篇（期刊论文15篇，会议论文12篇），其中SCI 1区/CCF A类11篇。在学术合作与交流方面，在国际重要学术组织任职2人次；在重要学术会议进行学术报告18人次；邀请国内外学者交流访问15人次。在人才培养方面，培养博士研究生1人、硕士研究生6人。项目的成功实施，为相关科学研究带来新的启发，同时也为相关应用提供了新的方法。