面向進化多目標最佳化的局部自適應學習模型與算法研究

《面向進化多目標最佳化的局部自適應學習模型與算法研究》是依託西安電子科技大學，由公茂果擔任項目負責人的面上項目。

基本介紹

• 中文名：面向進化多目標最佳化的局部自適應學習模型與算法研究
• 項目類別：面上項目
• 項目負責人：公茂果
• 依託單位：西安電子科技大學

中文摘要

本課題針對進化多目標最佳化中全局搜尋與局部搜尋的平衡、算法參數的自適應調整、先驗知識與過程知識的有效利用等關鍵問題展開研究。建立適用於多目標最佳化的拉馬克學習和班德文學習兩類局部學習模型，並設計兩種局部學習模型的自適應協同策略。有效利用待求解問題的先驗知識與搜尋過程中獲得的知識，建立適用於多目標最佳化的參數自適應學習模型，實現對高階知識的學習。基於局部學習和自適應學習模型，提出局部搜尋能力強、具備參數自適應學習能力的多目標Memetic算法，分析各學習模型對算法性能的影響，驗證模型和算法的有效性與先進性。在理論研究的基礎上，開展進化多目標最佳化在複雜網路結構分析等問題上的套用研究。研究成果在本領域重要期刊和會議發表論文15～20篇，申報國家發明專利5～6項，培養博士、碩士8～10名。

結題摘要

本課題嚴格按照研究計畫進行，主要研究成果包括：針對進化多目標最佳化中全局搜尋與局部搜尋的平衡、算法參數的自適應調整、先驗知識與過程知識的有效利用難題，分析模擬了個體學習與群體學習在不同尺度的競爭與協作機制，揭示了進化多目標最佳化過程中從局部統計信息中獲取針對問題的特定知識指導全局搜尋，是提高進化多目標最佳化算法尋優能力的關鍵，基於貝葉斯理論證明了個體學習和群體學習對緩解演化搜尋盲目性、加速其收斂速度的必要性，提出了實現個體學習的拉馬克學習模型與實現群體學習的班德文學習模型，設計了適用於多目標最佳化的參數自適應學習模型。基於局部學習和自適應學習模型，提出了局部搜尋能力強、具備參數自適應學習能力的多目標Memetic 算法，建立了協作學習與最佳化的協同認知進化多目標最佳化框架。在理論研究的基礎上，開展了進化多目標最佳化在複雜網路結構分析等問題上的套用研究。針對網路模度最佳化的解析度限制問題，基於協同認知進化多目標最佳化模型，設計了相互衝突的多分辨目標函式，將網路社區發現建模為多目標最佳化問題，設計了基於網路拓撲的個體學習策略，提出了用於多分辨社區檢測的進化多目標最佳化算法，算法求得的非支配解集合代表不同解析度下的網路劃分結果，解決了網路的自適應多分辨社區檢測難題，並成功套用於網路結構平衡、網路魯棒性、個性化推薦、影響力最大化等網路結構分析問題。本課題總計發表SCI檢索論文27篇，其中23篇發表在《IEEE Transactions on Evolutionary Computation》、《IEEE Transactions on Neural Networks and Learning Systems》、《IEEE Computational Intelligence Magazine》等一區、二區權威期刊上，申請國家發明專利10項，其中7項已授權，培養博士6人、碩士研究生11人，研究成果獲2016年教育部自然科學獎二等獎，圓滿完成了預期研究目標。