針對環境變數不確定性的進化魯棒最佳化算法

《針對環境變數不確定性的進化魯棒最佳化算法》是依託中國科學技術大學，由唐珂擔任項目負責人的面上項目。

基本介紹

• 中文名：針對環境變數不確定性的進化魯棒最佳化算法
• 項目類別：面上項目
• 項目負責人：唐珂
• 依託單位：中國科學技術大學

中文摘要

魯棒最佳化是最佳化領域一個較新的研究方向，其主要思想是在傳統最佳化的問題模型基礎上進一步考慮各種不確定因素，如環境變化、生產誤差、測量誤差等。由於實際套用中的最佳化問題往往具有多種不確定性，魯棒最佳化近年來受到了各國專家學者的廣泛關注。進化算法被認為是解決魯棒最佳化問題的一種重要手段，但目前在進化計算領域針對魯棒最佳化的研究大多數圍繞決策變數不確定問題展開，較少涉及到環境變數的不確定性。本項目提出研究適用於環境變數不確定問題的進化魯棒最佳化算法。由於該類問題不一定存在全局最優魯棒解，將首先研究全局最優魯棒解存在性的判定方法，以及同時求多個局部魯棒最優解的進化算法。然後，在魯棒最佳化問題模型中進一步加入時間變數，提出動態魯棒最佳化問題，並研究在時間域上求魯棒解的進化算法。在此基礎上，最後以車輛路徑規劃為套用背景，設計更適用於真實世界中不確定環境的魯棒車輛路徑規划算法，並實現相關的套用軟體原型系統。

結題摘要

大多數現實世界的最佳化問題都包含潛在的不確定性，主要體現在問題的外在環境並非一成不變。如何面對這類問題高效地求取魯棒性好的解是最佳化領域的一個重要難點問題。進化算法採用了基於種群並行搜尋的機制，因此比單點算法更適於求解魯棒最佳化問題。本項目的目標是針對不確定環境下的魯棒最佳化問題，研究有效的魯棒進化最佳化算法，並提出求解這類問題的關鍵技術。研究內容包括：適用於魯棒最佳化場景的算法投資組合構建手段、多種群自適應機制及其快速計算方法；針對魯棒最佳化問題的一個新子類——動態魯棒最佳化問題的建模、分析以及算法設計研究；針對典型魯棒最佳化套用問題上的關鍵算法研究。 在魯棒進化最佳化算法方面，項目組通過現式度量算法行為以及算法之間的差異性，成功提出了快速的魯棒算法投資組合構建方法；提出了基於機器學習技術的多種群自適應劃分機制；形成了 “數據驅動的進化算法（DDEC）”這一自適應進化算法的設計方法論。在動態魯棒最佳化方面，首次給出了動態魯棒最佳化問題的嚴格定義和數學模型，並提出了兩套新的測試函式集，揭示了動態魯棒最佳化問題的難度，並提出了一種新的適應度評估機制，使進化算法更加適用於動態魯棒最佳化問題。最後，分別從車輛路徑規劃、不平衡和代價敏感學習領域抽象出了有代表性的魯棒最佳化問題，針對其提出了性能更優的求解算法。本項目的成果不僅將推動進化算法基礎理論的研究，也為解決實際的車輛路徑規劃、數據挖掘問題提供了新的關鍵技術。 本項目共發表SCI檢索的期刊論文20篇（其中在IEEE Transactions系列期刊發表論文11篇），會議論文20篇；申請專利一項；培養出站博士後1人、畢業博士研究生5人、碩士研究生9人，在讀博士生5人，超額完成了項目總體任務（發表論文20篇，申請專利1-2項，培養研究生8名）。項目負責人5次受邀在國際學術會議作大會主題報告、教學報告。項目執行期間，項目組成員還先後入選了英國皇家學會“牛頓高級學者”基金、教育部新世紀優秀人才等人才計畫，獲得了微軟學者提名獎、亞太智慧型與演化系統傑出論文獎等獎勵。