汕头大学范衠教授和南京航空航天大学蔡昕烨副教授共同指导的博士生李文姬在约束多目标进化算法方面的论文《An Improved Epsilon Constraint-handling Method in MOEA/D for CMOPs with Large Infeasible Regions》被人工智能2区杂志《Soft Computing》接收。

       约束多目标优化问题的研究近年来逐步成为一个研究的热点。绝大多数实际的工程优化问题可以归结为一个约束多目标优化问题，在这方面的进展对解决实际优化问题有着重大意义。继Push和Pull的搜索框架（PPS）和基于角度约束支配的方法（ACDP）的论文发表之后，以范衠教授和蔡昕烨副教授为主导的研究团队在约束多目标进化算法方面再一次取得新的进展。

       最初的ε约束方法中ε(k)的值在进化过程中随着种群代数的增加而逐渐总减少，对具有较大不可行区域的约束多目标优化问题并不适用。为了克服这个问题，本文提出了一种改进的ε约束处理方法（An Improved Epsilon Constraint-handling Method）。它根据当前总体中可行解的比例动态调整ε(k)的值，以平衡可行区域与不可行区域的探索。与最初提出的ε约束方法相比，它能够在进化过程中增加ε(k)的值，可有效的跨越较大的不可行区域，帮助算法获得收敛性更好的Pareto解集。所提出的改进的ε约束处理方法嵌入MOEA/D框架下进行了实现，即MOEA/D-IEpsilon。在包括LIRCMOP1-14（不可行区域较大）在内的14个基准测试问题和机器人抓取优化问题上，与MOEA/D-Epsilon, MOEA/D-SR, MOEA/D-CDP和C-MOEA / D四种约束多目标进化算法对比。实验结果表明，在所有测试实例上，MOEA/D-IEpsilon明显优于其他4种算法，充分说明了MOEA/D-IEpsilon适合求解具有较大不可行区域的约束多目标优化问题。

部分实验结果如下：

图1 五种不同算法在4个测试问题上得到的非支配解集

论文下载：Download PDF

代码下载：CODE

论文引用：

Zhun Fan, Wenji Li, Xinye Cai*, Han Huang, Yi Fang, Yugen You, Jiajie Mo, Caimin Wei, and Erik Goodman, An improved epsilon constraint-handling method in MOEA/D for CMOPs with large infeasible regions. Soft Computing, DOI: 10.1007/s00500-019-03794-x.