近日，郑州大学电气与信息工程学院计算智能实验室在动态多目标优化、多目标特征选择、基于遗传规划的图像分类、多目标网络控制、约束多目标优化上取得系列进展，相关成果发表在国际权威期刊《IEEE Transactions on Evolutionary Computation》（中科院一区TOP，IF=14.3）。
动态多目标优化：
当前动态多目标优化工作多集中在环境响应部分，而忽略了如何提升种群进化的效率。考虑到环境之间具有一定的相似性，基于相似环境下种群搜索行为接近的特性，设计了一个基于历史优化学习的动态多目标优化框架，从而使优化算法与动态环境之间产生关联。该框架为优化算法流程添加了两个新的模块，使其在子代产生和环境选择阶段均参考了历史环境信息。为了提升后代的贡献率，根据历史环境中种群进化的趋势，建立了一个方向引导模型来引导后代。为了提高优化算法的鲁棒性，提出了一种流形修正模型，参考历史帕累托解集的分布来产生更有潜力的解。所提出的框架可灵活嵌入各种动态响应机制和静态优化算法中。在各种基准测试问题上的实验结果表明了该框架的优越性。本篇论文，郑州大学电气与信息工程学院于坤杰副教授为第一作者，梁静教授为通讯作者，郑州大学为第一单位和通讯单位。
论文信息：
K. J. Yu, D. Z. Zhang, J. Liang*, B. Y. Qu, M. N. Liu, K. Chen, C. T. Yue, L. Wang, A Framework Based on Historical Evolution Learning for Dynamic Multiobjective Optimization[J]. IEEE Transactions on Evolutionary Computation, 2023, doi: 10.1109/TEVC.2023.3290485.
多目标特征选择：
随着计算机技术的蓬勃发展，可获取数据的维度呈现出指数增长态势。如何从海量数据中获取有价值的特征信息，以提高机器学习模型的分类性能，是数据挖掘领域面临的重要挑战。特征选择作为一种可以实现数据降维的预处理技术，有两个相互冲突的目标: 最小化分类错误率和最小化所选择的特征数量。然而，现有的多目标特征选择方法由于目标部分冲突、帕累托前沿高度不连续等特点，容易陷入局部最优且收敛速度较慢。为了解决这些问题，提出了一个多形式的优化框架来解决多任务环境下的多目标特征选择任务以及几个辅助的单目标特征选择任务。该框架利用单目标任务的问题解决经验，辅助多目标特征选择任务探索更有希望的区域，加快收敛速度。实验结果证明了该方法可以高效地处理多目标特征选择问题。本篇论文，郑州大学电气与信息工程学院梁静教授为第一作者，陈科副研究员为通讯作者，郑州大学为第一单位和通讯单位。
论文信息：
J. Liang, Y. Y. Zhang, B. Y. Qu, K. Chen*, K. J. Yu, C. T. Yue. A Multiform Optimization Framework for Multi-objective Feature Selection in Classification[J]. IEEE Transactions on Evolutionary Computation, 2023, doi: 10.1109/TEVC.2023.3284867.
基于遗传规划的图像分类
在过去十年，遗传规划已在图像分类方面展示出了令人鼓舞的结果。然而，大多数现有基于遗传规划的图像分类方法通常具有复杂的树/程序结构和庞大的搜索空间，这可能导致性能下降。为解决此问题，本文提出了一种两阶段遗传规划方法，用于自动演化图像分类解决方案。在新方法中，构建图像分类解决方案的流程被分为两个阶段，即通过演化小的遗传规划树进行特征提取，并通过重用这些遗传规划树来演化分类集合。因此，在每个阶段，可以设计简单的树结构来促进搜索。在第一阶段，提出了一种基于简单树表示和包含种群更新策略的搜索机制的遗传规划方法，以进化出一组小而多样的树来提取图像特征。开发了一种新的变异算子，使遗传规划能够动态地增加树的大小，并设计了一种基于距离的多样性度量来提高种群的多样性。在第二阶段，提出了一种新的树表示的遗传规划方法，自动选择在第一阶段进化的树并重用它们来构建有效的图像分类集成。
这种新设计允许所提出的方法通过使用/搜索小型树来构建难题的足够但不过于复杂的解决方案。实验结果证明了该方法具有良好的分类性能、快速的收敛性和较高的可解释性。分析还表明，该方法在进化过程中进化出了小树，并构建了足够但不过于复杂的图像分类解决方案。本篇论文，郑州大学电气与信息工程学院毕莹特聘教授为第一作者，梁静教授为通讯作者，郑州大学为第一单位和通讯单位。
论文信息：
Y. Bi, J. Liang*, B. Xue and M. Zhang, A Genetic Programming Approach with Building Block Evolving and Reusing to Image Classification[J]. IEEE Transactions on Evolutionary Computation, 2023, doi: 10.1109/TEVC.2023.3284712.
多目标网络控制
从个体患者的高维个性化基因组图谱中开发有效的模型来识别个性化药物靶点是一个巨大的挑战。最近的结构网络控制原理引入了一种新的方法，通过在个性化基因交互网络中选择一组最佳的驱动基因来发现个性化药物靶点。然而，目前的大多数方法只关注通过最小驱动节点集来控制系统，而忽略了个性化基因交互网络中用于治疗药物靶点识别的多个候选驱动节点集的存在。因此，我们考虑最小驱动节点和最大先验已知药物目标信息，提出了基于多目标优化的结构网络控制原理。基于提出的原理，建立了一个离散大规模的约束多目标优化模型。然而，现存的约束多目标进化算法在解决这个问题时很容易陷入局部最优。为了解决这个问题，提出了一个多任务的框架：主任务致力于解决原始的约束多目标优化问题，两个辅助任务是两个约束单目标的辅助任务。设计单目标辅助任务的主要目的是帮助主任务探索未开发的区域，防止其陷入局部最优。实验结果证明了多目标网络控制相比于传统方法的优势以及多任务方法可以高效地处理建立的模型。本篇论文，郑州大学电气与信息工程学院梁静教授为第一作者，郭伟峰副教授为通讯作者，郑州大学为第一单位和通讯单位。
论文信息：
J. Liang, Z. Hu, Z. W. Li, K. J. Qiao and W. F. Guo*. Multi-Objective Optimization Based Network Control Principles for Identifying Personalized Drug Targets With Cancer[J]. IEEE Transactions on Evolutionary Computation, 2023, doi: 10.1109/TEVC.2023.3303958.
约束多目标优化：
进化约束多目标优化已经受到了广泛的关注和研究，并提出了许多标准测试函数集来测试约束多目标进化算法的效果。然而，过去设计的测试函数中约束的特征过于单调，并且与真实问题具有的多模态/非线性特征的决策空间约束具有显著不同。因此，提出了一个新的框架，并设计了一组具有高维决策空间约束可扩展的新测试函数。另外，设计了一个新的约束多目标进化算法以更好地求解新的测试问题。实验结果证明了新测试函数和新算法的有效性。本篇论文，郑州大学电气与信息工程学院博士研究生乔康加为第一作者，梁静教授为通讯作者，郑州大学为第一单位。
论文信息：
K. J. Qiao, J. Liang*, K. J. Yu, C. T. Yue, H. Y. Lin, D. Z. Zhang, B. Y. Qu. Evolutionary constrained multiobjective optimization: scalable high-dimensional constraint benchmarks and algorithm[J]. IEEE Transactions on Evolutionary Computation, 2023, doi: 10.1109/TEVC.2023.3281666.
