近期，重点实验室在约束多目标进化优化方面的多项工作被著名的进化多目标优化平台PlatEMO[1]收录。PlatEMO是一个多目标进化优化的平台，它具有以下优势：包括了100多种开源的进化算法；超过200多种开源的多目标测试问题集；强大的GUI显示，可以方便显示优化结果；优化结果可以直接生成Excel或者 LaTex的格式；持续更新当前最好算法。
图1. PlatEMO平台界面
重点实验室在约束多目标优化领域做了多项创新性的工作，此次被收录的工作包括：（1）难度可调和扩展的约束多目标测试问题集（DAS-CMOPs）[2];（2）具有较大不可行区的约束多目标测试问题（LIR-CMOPs）[3]；（3）基于Push和Pull的约束多目标进化算法框架PPS[4]。
其中，在难度可调的约束多目标测试问题集设计方面，针对现有约束多目标优化问题的不足，定义了一类难度可控，目标和约束数量可调的约束多目标测试问题集。首次对约束问题的难度类型进行了定义，提出了三种难度的约束类型，即多样性困难、可行性困难和收敛性困难。三种难度类型的约束能够任意组合，构成同时具有多种难度类型的约束多目标优化问题，每种约束类型的难度都可以调整，研究结果发表在进化计算领域著名期刊《Evolutionary Computation》上。另外，针对现有约束多目标测试问题集可行区域较大，无法有效测试约束多目标处理机制有效性的问题，在DAS-CMOPs的基础上提出了一类具有较大不可行区的约束多目标测试问题（LIR-CMOPs）。所提出的测试问题能有效测试约束多目标处理机制的效果，研究结果发表在SCI二区期刊《Soft Computing》上。
图2. 难度可控的可扩展的约束多目标优化测试问题
图3. 五种不同算法在LIR-CMOPs测试问题上的结果
图4. PPS算法和其算法在LIR-CMOP7上的结果
在PPS算法中，首次提出从无约束Pareto前沿反向搜索到约束Pareto前沿的思想，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的难题。实验结果表明，所提出的PPS算法在IGD指标方面比其他当前最好的6种算法提升1-2个数量级，研究结果发表在进化计算领域Top期刊《Swarm and Evolutionary Computation》上。
-
Y. Tian, R. Cheng, X. Zhang, & Y. Jin. “PlatEMO: A Matlab platform for evolutionary multi-objective optimization,” IEEE Computational Intelligence Magazine, vol. 12, no. 4, pp. 73–87, 2017.
-
Z. Fan, W. Li, X. Cai*, H. Li, C. Wei, Q. Zhang, K. Deb, & E. Goodman. “Difficulty Adjustable and Scalable Constrained Multi-objective Test Problem Toolkit,” Evolutionary Computation, https://doi.org/10.1162/evco_a_00259, 2019.
-
Z. Fan, W. Li, X. Cai*, H. Huang, Y. Fang, Y. You, J. Mo, C Wei, and E. D. Goodman, “An improved epsilon constraint-handling method in MOEA/D for CMOPs with large infeasible regions,” Soft Computing, vol. 23, no. 23, pp. 12491–12510, 2019.
-
Z. Fan, W. Li, X. Cai, H. Li, C. Wei, Q. Zhang, K. Deb, and E. Goodman, “Push and pull search for solving constrained multi-objective optimization problems,” Swarm and Evolutionary Computation, vol. 44, no. 2, pp. 665-679, 2019.
|
