面向高维多目标优化问题的偏好信息启发下的协同进化算法研究

Many-objective optimization problem is a challenging issue within evolutionary multi-objective research area. Preference-inspired co-evolutionary algorithms (PICEAs), proposed by the author, has been demonstrated to have promising performance on many-objective problems. In order to further improve the performance of PICEAs, and enable PICEAs to better solve many-objective problems. This project proposes five research topics which are (1) parameter sensitivity studies of the existing PICEAs, (2) methods that can be used to handle constraints, (3) methods that can be used to handle uncertain environments, (4) methods that can be used to further improve PICEAs performance and (5) other preferences based PICEAs. These studies provide a very solid study on PICEAs, having a great value in both theoretical and practical aspects.

高维多目标优化问题是进化多目标优化研究领域的一个挑战性课题。 由项目申请人提出的偏好信息启发下的协同进化算法（PICEAs）在求解高维多目标优化问题上表现优异。为进一步提高算法的性能，拓展算法的实用性，挖掘算法的优势，进而更好地求解高维多目标优化问题。本项目拟开展以下五个方面的研究：PICEAs算法的参数灵敏度的研究，适用于PICEAs的约束条件处理方法，适用于PICEAs的不确定性因素处理方法，提高PICEAs算法性能的方法以及使用其他类型偏好信息的PICEA算法的研究。本项目旨在全面深入的研究面向高维多目标优化问题的PICEAs算法，具有重要的理论探索研究意义和实用价值。

在工业、农业、国防、工程和交通等许多领域都存在需要同时优化很多指标的复杂优化问题，称为高维多目标优化问题。经典的基于Pareto支配关系的进化多目标优化算法虽然能有效求解包含2或3个目标函数的多目标优化问题，但其性能在高维多目标优化问题上急剧下降。偏好启发的协同进化算法（PICEA）是一类不同于Pareto支配关系的新型进化算法，经初步验证能有效求解高维多目标优化问题。鉴于此，本课题在深入分析当前PICEAs算法不足的基础上，具体 i) 研究了现有PICEA算法(PICEA-g和PICEA-w)参数的灵敏度, 发现PICEA-g和PICEA-w均对算法参数具有较强的鲁棒性，易于使用；ii）研究了能有效处理不确定性因素、带约束条件的高维多目标优化问题的PICEA算法，发现基于区间预测的方法能有效应对不确定性因素，约束Pareto支配关系较之于惩罚函数在PICEA中更易使用；iii) 研究了进一步提高PICEA算法性能的策略，发现区域化（localization）、交叉限制（mating restriction）和 反向学习 （opposition-based learning ）策略均可以有效提高算法性能；iv)研究了使用其他偏好信息的PICEA算法，发现将聚合函数作为偏好信息种群与个体种群进行协同进化，简单有效，所得到的算法能在不损失多样性的前提下，显著提高算法收敛速度；此外，还研究了PICEA算法在实际问题，如能源互联网多目标规划、智能能量管理等中的应用。通过研究，有效提高了PICEA算法的效能，为解决实际工程中的高维多目标优化问题提供了更完备的方法，并且算法在多个实际问题中应用效果显著。相关研究成果发表SCI论文15篇（其中影响因子大于10 的论文2篇），EI论文17篇，受理授权专利7项，项目负责人获得军队科技进步二等奖和湖南省自然科学二等奖各1项。获得吴文俊人工智能优秀青年奖，入选中国科协青年人才托举工程等。