电气与信息工程学院在约束多目标进化优化研究领域取得系列新进展

作者:张众 时间:2022-06-07 点击数:

我院梁静教授团队在约束多目标进化优化研究领域取得系列重要新进展,相关成果分别发表在国际顶尖期刊《IEEE Transactions on Evolutionary Computation》和《IEEE Transactions on Cybernetics》,郑州大学为第一单位和通讯单位。

带约束的多目标优化问题广泛存在于路径优化、生产调度、基站布局等众多的工程实践和科学研究中,这类问题被称为约束多目标优化问题。解决这类问题需要在满足不同约束的同时优化多个冲突的目标函数,且约束会重构搜索域的地形,因此解决这类问题是一项极具挑战的任务。梁静教授团队提出了多种约束多目标进化优化算法,在标准测试函数和实际问题中均取得了良好的表现。

在团队之前提出的基于进化多任务的约束多目标优化框架的基础上,从两个方面设计了新的算法:

第一,从设计更高效的辅助任务角度出发,提出了基于动态辅助任务的进化多任务优化框架。为辅助任务设计了改进的epsilon方法,以提高知识迁移的有效性。以题为“Dynamic Auxiliary Task-Based Evolutionary Multitasking for Constrained Multi-objective Optimization”的文章发表在期刊《IEEE Transactions on Evolutionary Computation》上,博士研究生乔康加为论文第一作者,梁静教授为论文通讯作者。

第二,从设计更有效的知识迁移策略角度出发,提出了利用约束和无约束帕累托前沿关系的约束多目标进化算法。首先,设计了问题类型学习方法,然后根据问题类型为辅助任务设计了针对性的进化策略。以题为“Utilizing the Relationship between Unconstrained and Constrained Pareto Fronts for Constrained Multi-Objective Optimization”的文章发表在期刊《IEEE Transactions on Cybernetics》上,梁静教授为论文第一作者,博士研究生乔康加为论文第二作者,于坤杰副教授为论文通讯作者。

基于团队对约束多目标进化优化的深入研究和现有成果,团队综述了约束多目标进化优化领域的相关工作。首先对现有的约束多目标进化算法进行分类,分析了每个类别的优缺点。然后,对基准测试问题进行了总结,并研究了不同的约束处理技术和不同算法的性能,之后介绍了一些具有代表性的约束多目标优化算法的应用。最后,讨论了约束多目标进化优化领域面临的一些新挑战,并指出了一些未来的研究方向。以题为“A Survey on Evolutionary Constrained Multi-objective Optimization”的文章发表在期刊《IEEE Transactions on Evolutionary Computation》上,梁静教授为论文第一作者,硕士研究生班旋旋为论文第二作者,于坤杰副教授为论文通讯作者。

 

以上研究得到了国家自然科学基金、国家博士后基金、河南省高校创新人才项目等资助。

 

论文信息:

[1] K. J. Qiao, K. J. Yu, B. Y. Qu, J. J. Liang*, H. Song, C. T. Yue, H. Y. Lin, K. C. Tan. Dynamic Auxiliary Task-Based Evolutionary Multitasking for Constrained Multi-objective Optimization [J]. IEEE Transactions on Evolutionary Computation, 2022. Doi: 10.1109/TEVC.2022.3175065.

[2] J. J. Liang, K. J. Qiao, K. J. Yu*, B. Y. Qu, C. T. Yue, W. F. Guo, L. Wang. Utilizing the Relationship between Unconstrained and Constrained Pareto Fronts for Constrained Multi-Objective Optimization. IEEE Transactions on Cybernetics, 2022.Doi: 10.1109/TCYB.2022.3163759.

[3] J. J. Liang, X. X. Ban, K. J. Yu*, B. Y. Qu, K. J. Qiao, C. T. Yue, K. C, K. C. Tan. A Survey on Evolutionary Constrained Multi-objective Optimization [J]. IEEE Transactions on Evolutionary Computation, 2022. Doi: 10.1109/TEVC.2022.3155533.

 

 

Copyright© 2015 All Rights Reserved. 郑州大学 电气与信息工程学院

管理员登录