EMI近期研究成果被IEEE TEVC录用发表

近日,EMI课题组在大规模多目标优化研究领域取得进展,成果以“Paired Offspring Generation for Constrained Large-scale Multiobjective Optimization”为题,发表于计算智能领域著名学术期刊 《IEEE Transactions on Evolutionary Computation》 (IEEE TEVC, 影响因子: 11.169)。

近年来,随着工业领域智能化的深入发展,所面临的如智能模型参数优化、高精度工业设计等问题能以解决的现状日益突出。这类问题的难点体现在涉及的变量规模巨大、约束条件复杂、黑箱目标数量众多,传统优化方法难以解决。本工作报道了一种基于配对子代生成的演化多目标优化方法,实现了针对决策变量超过100维、目标数量达到10个、约束条件复杂的优化问题的有效解决,在一系列测试问题上取得了鲁棒的结果。

研究人员分析了现有大规模演化多目标优化算法在解决无约束问题上的优劣,并结合传统的约束处理方法,提出了一种从子代生成而非环境选择改进的新策略。该策略充分利用非可行解在促进种群收敛性以及配对繁殖机制在多样性保持上的优势,分析了不同随机配对方法对子代种群质量的影响,进而均衡了约束处理与大规模决策变量/目标函数处理,为课题组进一步解决电网群体电压互感器测量误差状态评估提供了技术保证。

本文第一作者是EMI课题组研究助理教授何成,EMI课题组副教授程然为论文通讯作者。合作者还包括香港理工大学讲席教授Kay Chen Tan(IEEE Fellow)和英国萨里大学讲席教授Yaochu Jin(IEEE Fellow)。

图 1 基于两重参考向量的目标空间子种群划分方法,通过对非可行解与邻域关系的利用,构造了面向不同约束场景的子代生成方法,实现算法约束处理、收敛性增强与多样性保持的均衡。

图 2 对同一子种群下个体不同配对方法在约束大规模多目标优化问题上的性能差异。深入探索了纯随机配对、可重复随机配对和不可重复随机组合对算法性能的影响。

图 3 不同多目标约束处理算法在决策200维10目标约束优化问题上结果。本工作所提算法POCEA在该问题上取得了收敛性良好且分布均匀的最终解集。