基于偏好信息的高维多目标进化优化关键问题研究

The research of the preference-based many-objective evolutionary optimization can reduce the difficulties of problems effectively and better meet the needs of decision makers. Aiming at the deficiency of the preference-based evolutionary mechanisms and the difficulties in evaluating preference-guided obtained results and so on, this project therefore does research on the key problems on the preference-based many-objective evolutionary optimization. Study the expression of the fuzzy or uncertain complex preference information, then propose the expression approaches on preference with higher expression abilities, and thus realize better combination between the preference information and the evolutionary process. Study autonomic learning mechanisms of the preference information, and employ related domain knowledge to build models for complex preference information in order to realize autonomic learning of problem features and key information, so as to improve the expression accuracy of the preference information. By researching on the “evolutionary+learning” mechanism, the preference information guided searching mechanism, and the global search ability, employ the preference information to guide the searching process and avoid falling into local optimum effectively. By studying the uncertainty and incompleteness of solution sets obtained by the preference-based many-objective evolutionary optimization, and the evaluation methods for evolutionary optimization results, then propose evaluation indicator systems, and develop evaluation tools, so as to realize fair and effective evaluation for optimization results. Through this comprehensive study, provide new methods for design and appliance for the preference-based many-objective evolutionary optimization.

基于偏好信息的高维多目标进化优化研究，可以有效地降低问题难度，更好地满足决策者的需求。本项目针对偏好进化机制缺失、偏好进化效果难以评价等问题，对基于偏好信息的高维多目标进化优化关键问题进行研究。研究模糊或不确定等复杂偏好信息的表达，提出更具表达能力的偏好信息表达方式，实现偏好信息与进化过程的有机结合；研究偏好信息自主学习机制，运用领域知识对复杂偏好信息建模，实现对问题特征和关键信息的自主学习，提高偏好信息表达的准确性；研究基于偏好信息的“进化+学习”机制、偏好信息引导搜索机制、全局搜索能力保障机制，实现偏好信息有效地引导搜索过程并有效避免陷入局部最优；研究基于偏好的高维多目标进化优化中解集的不确定性和不完整性、进化优化效果评价方法，提出评价指标体系，建立评价工具，实现对优化结果的公平有效评价。通过本项研究内容，为基于偏好的高维多目标进化优化算法设计和应用提供新方法。

现实世界中的优化问题，通常是多属性的，同时，不同的决策者可能具有不同的偏好。当引入偏好信息后，由于偏好信息可能十分复杂且通常具有模糊性或不确定性，搜索偏好解或解集比无偏好搜索的难度可能更大。因此，对基于偏好信息的高维多目标进化优化方法的研究具有重要的理论意义和应用价值。.针对目标维数高、种群中非支配解的数量显著增多的情况下，研究并设计了更具表达能力的偏好信息表达方式，提出了一种基于参考点的自适应方法，通过比例和角度的近似，在参考点和个体之间形成映射关系，完成目标空间的划分，有效地避免了非正则化的影响，得到的种群具有更好的分布性。将提取的特征信息与决策者提供的偏好信息进行有机整合，提出了一种基于动态多目标进化算法（DMOEA），将决策者的偏好纳入动态搜索过程中，可以很好地跟踪DMOPs中不断变化的POS和/或POF，形成“不断学习”机制，提高了算法的优化性能。研究了在进化过程中学习偏好信息的机制，以提高偏好信息表达的准确性，提出了一种新的支配关系（称为RA-支配），它可以改善帕累托等价解之间的多样性，增加进化过程中的选择压力。RA-支配能够根据参考点和偏好角度引导种群向更能响应决策者需求的区域发展，可以最大限度地利用计算资源、集中搜索决策者感兴趣的区域。针对不同特征的 MOPs，研究了基于偏好信息解或解集的结构，提出了基于偏好信息的高维多目标进化优化的评价方法。研究了高维偏好优化问题的特征提取，提出了高维偏好进化算法设计的一般方法和基本框架。