基于学习技术的多目标进化算法重组算子研究

Multiobjective optimization problems (MOP) are a type of challenge problems in both scientific research and real-world application. Since the optimum of an MOP contains a set of solutions, named as Pareto optimal set, heuristic methods such as evolutionary algorithms have attacked much attention in recent years to approximate the Pareto optimal set. Currently, most of multiobjective evolutionary algorithms (MOEA) focus on how to maintain a set of solutions which is as diverse as possible and as close to the Pareto optimal set as possible, i.e., the framework(including selection procedure); but overlook how to generate new solutions from the parents, i.e., the recombination procedure. For this reason, this project addresses the recombination operator in MOEAs. The prior information about the MOPs and the MOEA framework will be extracted analytically, and the poster information from the population will be learned by machine learning techniques. The information will then be used to guide the generation of new trial solutions. New MOEAs based on the recombination operators will be validated by some real-world applications including image processing problems.By this project, (1) the properties of the MOPs and the principals to design recombination operators will be studied; and (2) new ideas and methods will be suggested to propose and apply new MOEAs.

多目标优化问题(MOP)是在科研与应用领域广泛存在的一类挑战性问题。由于MOP最优解往往是一个集合(Pareto最优解集)，进化算法等启发式方法已成为求解MOP的主流方法。目前多目标进化算法(MOEA)主要关注如何维护搜索种群的多样性和收敛性等算法框架(包含选择算子)的研究，忽略了如何从父体产生新个体(即重组算子)的研究。有效利用问题相关信息是启发式算法成功的关键之一。本项目拟着重研究MOEA重组算子的设计：深入分析并获取MOP最优解集和MOEA算法框架的先验信息，使用学习技术挖掘搜索群体中隐含最优解集的后验信息，在重组算子中采用合适的模式描述这些信息并用于指导新个体的产生。在此基础上设计高效的MOEA算法，并用图像处理等实际问题验证新算法的有效性。通过深入研究MOP Pareto最优解集特性和基于学习技术的MOEA重构算子设计原理，本项目的实施将为MOEA的设计和应用提供新思路。

多目标优化问题是科学和工程应用领域的一类挑战性问题，演化算法已经成为求解这类问题的主流方法。当前演化多目标优化的研究工作主要集中在环境选择算子上，本项目重点研究重组算子。深入分析并获取多目标优化问题最优解集和多目标进化算法框架的先验信息；使用密度估计、回归、分类、聚类等学习技术挖掘搜索群体中隐含最优解集的在线信息，在重组算子中将先验和在线信息结合使用并指导新个体的产生；在此基础上设计高效的多目标进化算；并用图像处理等实际问题验证新法的有效性。..项目研究进展顺利，在理论研究方面， 围绕1)多目标优化问题性质分析与测试题构造, 2)基于统计和机器学习的重组算子设计, 3）高效进化多目标算法设计, 4）进化多目标算法应用等4个方向展开了重点研究。在理论方法上取得了多项突破，圆满完成了各项研究任务，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32篇（期刊论文19篇，会议论文13篇），其中SCI检索期刊17篇（包含10篇SCI一区论文）。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13人次；邀请国内外学者交流访问11人次。在人才培养方面，培养博士研究生2人、硕士研究生10人。