基于搜索过程知识表示与推理的进化多目标优化算法研究

Evolutionary multi-objective optimization (EMO) algorithm is one of the mainstream approaches to multi-objective optimization problems (MOPs). However, EMO algorithm spends a large amount of function evaluation effort before convergence, due to the blindness of its searching process. To remedy this, this proposal focuses on the key techniques of the knowledge representation and the searching direction reasoning in EMO algorithm, with the help of which the efficiency of the searching process can be improved. First, a multi-agent network model will be build for solving MOPs. Based on the model, a new framework of EMO algorithm will be developed. The model transforms MOPs into a set of scalar optimization subproblems and assigns these optimization subtasks to the agents. Using the ensemble learning method, the new EMO algorithm combines several weak surrogate models trained by the agents into an ensemble surrogate model. The ensemble surrogate model is then used to estimate the quality of new solutions. It helps to reduce the function evaluation costs of the EMO algorithm. Second, the representation and learning method of the searching process knowledge in both the decision space and the objective space will be designed. A transformation method will also be developed to convert these two types of knowledge into each other. Based on the two types of knowledge, a searching direction reasoning method will be designed to reduce the blindness of the searching process. Finally, the theoretical research achievements will be applied to solve the reservoir flood control problem, which will promote further the application of EMO algorithms in engineering problems.

进化多目标优化（EMO）算法是目前求解多目标优化问题（MOPs）的主流方法之一。然而，EMO算法搜索过程的盲目性导致这类算法需花费大量函数评价代价才能收敛。针对该瓶颈问题，本课题拟研究EMO算法中搜索过程知识表示和搜索方向推理方法，用于提高算法的搜索效率。首先，建立求解MOPs的多智能体网络模型，给出基于此模型的EMO算法框架。模型将MOPs转化为一组单目标优化子问题分配给各个智能体求解，算法采用集成学习方法将多个智能体训练的弱Surrogate模型合成泛化能力强的集成模型逼近MOPs目标函数，并用于估计新解的质量，以降低算法函数评价代价。然后，设计EMO算法在决策空间和目标空间上搜索过程知识的表示和学习方法，给出两类知识的相互转化机制，提出基于两类知识的搜索方向推理方法，以降低搜索过程的盲目性。最后，在理论研究基础上，开展对水库防洪调度问题的应用研究，进一步推动EMO算法在工程中的应用。

进化多目标优化算法（MOEAs）是目前求解多目标优化问题（MOPs）的主流方法之一。然而，MOEAs在搜索过程的盲目性导致这类算法的求解效率不高。针对这一瓶颈问题，本项目在深入分析多目标优化问题在目标空间和决策空间上特性的基础上，采用先进的机器学习技术，设计并实现了对MOEAs优化过程中的搜索历史知识表示与提取方法，以及利用搜索过程知识预测潜在有效的搜索方向，并引导算法快速收敛的有效策略。进一步将算法理论研究成果用于多目标水库防洪调度问题，针对该问题在决策空间上变量强相关且规模大，在目标空间上Pareto Front形状复杂两方面的挑战，设计了有效的多目标水库防洪调度算法。在上述研究成果的基础上，设计并实现了一套多目标水库防洪调度软件，并嵌入到现有的水利信息化与智能调度系统之中。.本课题的研究对于深入理解MOEAs的搜索行为特性具有重要的理论意义，提出的搜索历史知识获取与利用技术对于后续提升MOEAs的搜索效率具有重要的借鉴意义。与此同时，本课题尝试了在防洪调度中考虑发电量最大化问题，首次针对三目标防洪调度模型研究了Pareto Front形状和复杂性。本课题首次在水库防洪调度优化中考虑决策者的期末调度水位偏好信息，针对问题设计了专用的偏好表示模型以及基于偏好的多目标水库防洪调度算法。本课题的研究还为水库防洪调度问题提供了有效的多目标求解方案，对于进一步推动MOEAs在实际工程中的应用具有重要的现实意义。