【佳作分享】郑州大学计算智能实验室“约束多目标进化优化”进展三

转载自计算智能实验室CILab

原文链接在阅读原文中

郑州大学计算智能实验室在约束多目标进化优化领域取得系列重要进展，相关成果分别发表在《IEEE Transactions on Evolutionary Computation》，《IEEE Transactions on Cybernetics》，《IEEE Transactions on Systems, Man, and Cybernetics: Systems》等国际顶尖期刊。代码已在计算智能实验室官网http://www5.zzu.edu.cn/cilab/fblw/qklw.htm公开。

最后一期，小编为大家介绍约束多目标优化的两个拓展工作。第一个是带多模态属性的约束多目标优化，包括新的测试集和对应的算法。第二个是约束多目标算法推荐系统。

1、约束多模态多目标优化

约束多模态多目标优化问题广泛存在于科学研究和工程实践中，解决这类问题需要同时保留多个可行的帕累托最优解。为了便于开展相关研究，本文设计了一组约束多模态多目标基准测试集，并按照不同的特性将其分成四类。为了同时考虑决策空间中的可行性、多样性和收敛性，设计了一种基于小生境机制的约束多模态多目标差分进化算法。该算法通过小生境机制和约束处理技术的有效结合来增强算法的搜索能力，并改进种群更新方式来保留多个最优解。所提出的算法在基准测试函数集上的测试结果表明了所提算法的有效性和优异性。

Liang Jing, Lin Hongyu, Yue Caitong, Yu Kunjie, Guo Ying, Qiao Kangjia. Multiobjective Differential Evolution with Speciation for Constrained Multimodal Multiobjective Optimization[J]. IEEE Transactions on Evolutionary Computation, 2022. DOI: 10.1109/TEVC.2022.3194253.

2、约束多目标算法推荐系统

为新问题匹配更合适的约束多目标算法，本文设计了约束多目标算法推荐系统。具体地，构建了特征提取方法用于表征问题的地形和特点；执行现有算法得到问题的标签；结合得到的问题特征和标签形成一组数据集用于训练推荐系统网络。实验首先验证了特征在同类问题上的相似性和异类问题上的差异性，然后在多种分类器上验证了特征的有效性。

Qiao Kangjia, Yu Kunjie, Qu Boyang, Liang Jing, Yue Caitong, Ban Xuanxuan. Feature Extraction for Recommendation of Constrained Multi-Objective Evolutionary Algorithms[J]. IEEE Transactions on Evolutionary Computation, 2022. DOI: 10.1109/TEVC.2022.3186667.