一、长期研究，论文成功入选ESI
汕头大学人工智能与机器人实验室对“优化带约束条件的多目标进化算法”方面的内容进行了长期研究，这项研究是整个实验室的特色项目之一。近年来，实验室在约束多目标优化方面的研究也取得了一系列重要进展。近日，根据Web of Science ESI公布的最新数据显示，汕头大学人工智能与机器人实验室的范衠教授在国际顶级期刊《Swarm and Evolutionary Computation》发表的"Push and pull search for solving constrained multi-objective optimization problems"，以及徐标老师在国际顶级期刊《IEEE Transactions on Evolutionary Computation》上题为"A similarity-based cooperative co-evolutionary algorithm for dynamic interval multi-objective optimization problems"的研究型文章皆成功入选ESI高被引论文，如图1和图2所示。
图1. "Push and pull search for solving constrained multi-objective optimization problems"成功入选ESI高被引论文
图2. "A similarity-based cooperative co-evolutionary algorithm for dynamic interval multi-objective optimization problems"成功入选ESI高被引论文
二、学术严谨，论文期刊情况概述
《Swarm and Evolutionary Computation》是人工智能与智能计算领域中的重要学术期刊，主要对自然启发式智能计算、跨学科领域的最新研究和发展成果进行报道，该期刊长期位于中科院计算机科学和工程技术等学科一区，是该领域的Top期刊，且最新影响因子为10.267。同时，《IEEE Transactions on Evolutionary Computation》期刊由美国电气与电子工程师协会主办，作为进化计算领域内最具影响力和权威的期刊之一，该刊目前成为JCR分区与中科院分区双一区TOP期刊，影响因子为11.169，足以验证其高超的学术水平。
三、虑周藻密，论文主要核心思想
论文"Push and pull search for solving constrained multi-objective optimization problems"指出约束通常会给多目标优化问题带来三方面影响：1）约束阻碍算法向PF搜索 ；2）无约束的PF部分被不可行区域覆盖；3）无约束的PF完全被不可行区域覆盖。为此，论文提出一种Push and Pull Search算子（PPS）的搜索方法，指出PPS搜索过程分为两阶段：1）push阶段搜索无约束的PF；2）pull阶段把种群从不可行区域拉回到可行的非支配区域。具体而言，PPS采用从无约束Pareto前沿反向搜索约束Pareto前沿的方法，从而有效克服了传统约束多目标进化算法无法跨越多个不可行区域的难题。PPS算法把整个搜索过程分为Push 和 Pull两个阶段。在Push阶段，采用多目标进化算法在不考虑约束的情况下探索整个搜索区域，从而有助于快速跨越不可行区域，得到无约束的Pareto前沿。在Pull阶段，采用某种约束处理机制并利用探测到的约束违反信息，把整个种群拉回到可行的非支配区域。此外，约束违反程度的信息也能够被探测和估计。
图3. 在PPS中，Push 和 Pull两个阶段的示意图。
论文"A similarity-based cooperative co-evolutionary algorithm for dynamic interval multi-objective optimization problems"表示，动态区间多目标优化的问题普遍存在于实际的生产与生活中，因其性能指标或约束中包含着随环境变化的区间参数，该问题的求解远比一般的动态多目标优化问题要难，在最优解比较、追踪最优解的速度和精度等方面都是极大的挑战。该论文成果通过对区间参数与决策变量的相关性分析，将决策变量分组并使用不同种群来协同优化各组变量，从而提高算法的求解质量与效率。论文的主要贡献包括：（1）提出了动态区间多目标优化问题有针对性的决策变量分组方法，为多种群协同优化奠定了基础；（2）提出了动态区间多目标优化问题的环境变化检测方法，快速、及时的检测环境变化；（3）明确了区间优化问题变化强度的衡量方法，为环境变化后种群的精准响应提供了依据；（4）将所提算法应用于证券投资组合问题，为投资者提供了更多低风险、高收益的决策方案。
论文信息：
[1] Fan Z, Li W, Cai X, et al. Push and pull search for solving constrained multi-objective optimization problems[J]. Swarm and evolutionary computation, 2019, 44: 665-679.
[2] Gong D, Xu B, Zhang Y, et al. A similarity-based cooperative co-evolutionary algorithm for dynamic interval multiobjective optimization problems[J]. IEEE Transactions on Evolutionary Computation, 2019, 24(1): 142-156.
|
