针对环境变量不确定性的进化鲁棒优化算法

鲁棒优化是优化领域一个较新的研究方向，其主要思想是在传统优化的问题模型基础上进一步考虑各种不确定因素，如环境变化、生产误差、测量误差等。由于实际应用中的优化问题往往具有多种不确定性，鲁棒优化近年来受到了各国专家学者的广泛关注。进化算法被认为是解决鲁棒优化问题的一种重要手段，但目前在进化计算领域针对鲁棒优化的研究大多数围绕决策变量不确定问题展开，较少涉及到环境变量的不确定性。本项目提出研究适用于环境变量不确定问题的进化鲁棒优化算法。由于该类问题不一定存在全局最优鲁棒解，将首先研究全局最优鲁棒解存在性的判定方法，以及同时求多个局部鲁棒最优解的进化算法。然后，在鲁棒优化问题模型中进一步加入时间变量，提出动态鲁棒优化问题，并研究在时间域上求鲁棒解的进化算法。在此基础上，最后以车辆路径规划为应用背景，设计更适用于真实世界中不确定环境的鲁棒车辆路径规划算法，并实现相关的应用软件原型系统。

大多数现实世界的优化问题都包含潜在的不确定性，主要体现在问题的外在环境并非一成不变。如何面对这类问题高效地求取鲁棒性好的解是优化领域的一个重要难点问题。进化算法采用了基于种群并行搜索的机制，因此比单点算法更适于求解鲁棒优化问题。本项目的目标是针对不确定环境下的鲁棒优化问题，研究有效的鲁棒进化优化算法，并提出求解这类问题的关键技术。研究内容包括：适用于鲁棒优化场景的算法投资组合构建手段、多种群自适应机制及其快速计算方法；针对鲁棒优化问题的一个新子类——动态鲁棒优化问题的建模、分析以及算法设计研究；针对典型鲁棒优化应用问题上的关键算法研究。.在鲁棒进化优化算法方面，项目组通过现式度量算法行为以及算法之间的差异性，成功提出了快速的鲁棒算法投资组合构建方法；提出了基于机器学习技术的多种群自适应划分机制；形成了 “数据驱动的进化算法（DDEC）”这一自适应进化算法的设计方法论。在动态鲁棒优化方面，首次给出了动态鲁棒优化问题的严格定义和数学模型，并提出了两套新的测试函数集，揭示了动态鲁棒优化问题的难度，并提出了一种新的适应度评估机制，使进化算法更加适用于动态鲁棒优化问题。最后，分别从车辆路径规划、不平衡和代价敏感学习领域抽象出了有代表性的鲁棒优化问题，针对其提出了性能更优的求解算法。本项目的成果不仅将推动进化算法基础理论的研究，也为解决实际的车辆路径规划、数据挖掘问题提供了新的关键技术。.本项目共发表SCI检索的期刊论文20篇（其中在IEEE Transactions系列期刊发表论文11篇），会议论文20篇；申请专利一项；培养出站博士后1人、毕业博士研究生5人、硕士研究生9人，在读博士生5人，超额完成了项目总体任务（发表论文20篇，申请专利1-2项，培养研究生8名）。项目负责人5次受邀在国际学术会议作大会主题报告、教学报告。项目执行期间，项目组成员还先后入选了英国皇家学会“牛顿高级学者”基金、教育部新世纪优秀人才等人才计划，获得了微软学者提名奖、亚太智能与演化系统杰出论文奖等奖励。