《基於學習技術的多目標進化算法重組運算元研究》是依託華東師範大學，由周愛民擔任項目負責人的面上項目。
基本介紹
- 中文名：基於學習技術的多目標進化算法重組運算元研究
- 項目類別：面上項目
- 項目負責人：周愛民
- 依託單位：華東師範大學
項目摘要,結題摘要,
項目摘要
多目標最佳化問題(MOP)是在科研與套用領域廣泛存在的一類挑戰性問題。由於MOP最優解往往是一個集合(Pareto最優解集)，進化算法等啟發式方法已成為求解MOP的主流方法。目前多目標進化算法(MOEA)主要關注如何維護搜尋種群的多樣性和收斂性等算法框架(包含選擇運算元)的研究，忽略了如何從父體產生新個體(即重組運算元)的研究。有效利用問題相關信息是啟發式算法成功的關鍵之一。本項目擬著重研究MOEA重組運算元的設計：深入分析並獲取MOP最優解集和MOEA算法框架的先驗信息，使用學習技術挖掘搜尋群體中隱含最優解集的後驗信息，在重組運算元中採用合適的模式描述這些信息並用於指導新個體的產生。在此基礎上設計高效的MOEA算法，並用圖像處理等實際問題驗證新算法的有效性。通過深入研究MOP Pareto最優解集特性和基於學習技術的MOEA重構運算元設計原理，本項目的實施將為MOEA的設計和套用提供新思路。
結題摘要
多目標最佳化問題是科學和工程套用領域的一類挑戰性問題，演化算法已經成為求解這類問題的主流方法。當前演化多目標最佳化的研究工作主要集中在環境選擇運算元上，本項目重點研究重組運算元。深入分析並獲取多目標最佳化問題最優解集和多目標進化算法框架的先驗信息；使用密度估計、回歸、分類、聚類等學習技術挖掘搜尋群體中隱含最優解集的線上信息，在重組運算元中將先驗和線上信息結合使用並指導新個體的產生；在此基礎上設計高效的多目標進化算；並用圖像處理等實際問題驗證新法的有效性。 項目研究進展順利，在理論研究方面， 圍繞（1）多目標最佳化問題性質分析與測試題構造, （2）基於統計和機器學習的重組運算元設計, （3）高效進化多目標算法設計, （4）進化多目標算法套用等4個方向展開了重點研究。在理論方法上取得了多項突破，圓滿完成了各項研究任務，實現了預的研究目標。在研究成果方面，課題組成員已出版學術論文32篇（期刊論文19篇，會議論文13篇），其中SCI檢索期刊17篇（包含10篇SCI一區論文）。在學術合作與交流方面，在國際重要學術組織任職 2人次；在重要學術會議進行學術報告13人次；邀請國內外學者交流訪問11人次。在人才培養方面，培養博士研究生2人、碩士研究生10人。
