近日，郑州大学计算智能实验室在约束优化方面取得进展，设计了求解动态约束多目标优化问题和昂贵约束优化问题的高效进化优化算法，相关成果分别发表在国际权威期刊IEEE Transactions on Evolutionary Computation和IEEE Transactions on Systems, Man and Cybernetics: Systems上。
动态约束多目标优化问题（DCMOP）广泛存在于实际应用中，近年来已成为进化计算领域的研究热点。然而，现有研究在处理DCMOP时仍面临两个关键挑战：其一，种群在环境变化中的动态预测精度有限；其二，缺乏能够在动态环境下提升静态优化器性能的有效策略。为此，提出一种基于多种群预测与动态融合排序的动态约束多目标进化算法。具体而言，引入高效的点集配准算法对连续环境中的个体进行对齐，从而将解轨迹追踪问题转化为点集配准问题。通过该方法，可依据已有的解轨迹预测新环境中的约束和无约束帕累托最优集或前沿。此外，强调了指定任务的多种群预测的重要性。通过分析各个种群在优化过程中的具体职责（如考虑原约束的主任务与考虑简化约束的辅助任务），所提出的方法能够生成与其任务目标更为匹配的初始种群。此外，针对辅助任务，设计了一种基于动态融合的双排序环境选择策略，该策略动态融合了经验驱动机制与约束引导机制，提升了辅助种群的进化效率及其与主任务之间的协同能力。通过一系列基准测试问题及实际的矿石原料分配问题对所提算法性能进行了系统验证，实验结果表明该方法在收敛性能、可行性保持以及应对动态变化方面均具有显著优势。
[1] Dezheng Zhang, Kai Zhang, Kunjie Yu*, Jing Liang, Kangjia Qiao, Boyang Qu, Ke Chen, Caitong Yue, Dynamic Constrained Multiobjective Evolutionary Algorithm with Multipopulation Prediction and Dynamic Fusion Ranking, IEEE Transactions on Evolutionary Computation, 2025, DOI：10.1109/TEVC.2025.3569387.
在工程领域的诸多优化场景中，目标函数与约束条件的计算评估往往伴随着显著的计算资源消耗，这类问题被称为昂贵约束优化问题（ECOPs）。基于代理模型的优化方法因能有效降低计算开销，结合进化算法卓越的全局探索能力，已成为解决ECOPs的核心技术框架。然而，不准确的代理模型会误导种群的进化方向，导致无法正确找到可行解，甚至会使种群陷入局部可行域。为此，提出了一种进化方向自适应调整的代理辅助进化算法。该算法能够通过分析目标与约束之间的相关性动态调整进化方向。具体的，为了保证目标优化与约束满足的平衡，减少昂贵评价的浪费，开发了一种能够动态调整采样偏好的采样准则。当约束不满足时，优先进行可行性采样；当约束满足时，则进一步搜索目标表现较好的解。此外，为确保每次迭代都能生成高质量的子代，提出了两阶段的子代生成策略。首先，通过遗传算子在局部空间生成基础子代，然后，利用代理模型提升这些子代的质量。在环境选择中，通过实时调整目标和约束的权重，优化了父代选择，增加了种群的多样性，有助于提升整体进化效率。实验结果表明，该算法在三个常用的约束优化测试集和四个工程优化问题中的表现均优于五种先进的算法，特别是在约束处理和收敛性能方面，验证了其在解决复杂工程优化问题时的有效性。
[2] Kunjie Yu, Fan Chen, Jing Liang, Mingyuan Yu*, Ke Chen, Caitong Yue and Ying Bi , Objective-Constraint Correlation-Guided Evolutionary Direction Adaptive Adjustment for Expensive Constrained Optimization, IEEE Transactions on Systems, Man and Cybernetics: Systems, 2025, DOI：10.1109/TSMC.2025.3573195.