近日，郑州大学计算智能实验室在国际权威期刊《 IEEE Transactions on Cybernetics》上发表学术论文《A Subspace Search-Based Evolutionary Algorithm for Large-Scale Constrained Multiobjective Optimization and Application》，用于求解大规模约束多目标优化问题。
大规模约束多目标优化问题（LSCMOPs）是指具有多个优化目标和约束条件且决策变量超过100维的优化问题，这类问题广泛存在于我们的生活中。由于需要在巨大的搜索空间中同时优化多个冲突的目标且满足多个约束，这对当前的算法提出了严峻的挑战。为了更好地解决此类问题，本文提出了一种基于子空间搜索的进化算法，其允许种群优先在低维子空间中搜索以提高收敛性，然后逐渐扩展所搜索的子空间以促使种群进一步对整个搜索空间进行探索。具体而言，设计了一个决策变量分析方法来计算每个决策变量对进化的贡献；开发了一种基于概率的子代生成策略，以鼓励种群优先在由高贡献度决策变量组成的低维子空间中搜索，从而加速收敛。随着进化的不断推进，子空间逐渐扩大，以确保种群能够更好地探索整个空间。论文的主要贡献如下：
1. 设计了一种考虑角度和长度信息的决策变量分析方法ALDVA。在该方法中，不仅考虑了扰动决策变量生成的采样解的拟合线与超平面
的法线之间的角度，同时还考虑了拟合线段的长度，以全面衡量决策变量对种群进化的影响。此决策变量分析方法用于量化每个决策变量对进化的贡献程度。
2. 开发了一种基于概率的子代生成策略PBOG，其中每个决策变量根据其对进化的贡献程度被分配了不同的初始优化概率。贡献越大，初始概率越大，分配的计算资源也越多，反之亦然。通过这种方式，可以在进化的早期阶段充分探索由高贡献度的决策变量组成的低维子空间，以加速种群收敛。随着进化的进展，决策变量的优化概率也会增加，从而推动子空间逐渐扩展，帮助种群更好地探索整个搜索空间。
《 IEEE Transactions on Cybernetics》是国际自动化与控制系统领域中重要学术期刊，最新影响因子为9.4。
题目：A Subspace Search-Based Evolutionary Algorithm for Large-Scale Constrained Multiobjective Optimization and Application
作者：Xuanxuan Ban, Jing Liang*, Kunjie Yu, Kang-Jia Qiao, Ponnuthurai Nagaratnam Suganthan, Yaonan Wang.
DOI：10.1109/TCYB.2025.3548414
链接：https://ieeexplore.ieee.org/abstract/document/10934713