研究成果在《IEEE Transactions on Evolutionary Computation》上发表
近日，江西理工大学计算智能实验室成员杨宁博士在国际权威期刊《IEEE Transactions on Evolutionary Computation》上发表论文《Bilevel Evolutionary Multi-objective Algorithm with Multiple Lower-level Search Modes》。该研究成果提出了一种名为BLEMO-MLS的双层进化多目标优化算法，能够有效地求解双层多目标优化问题。
论文链接：https://doi.org/10.1109/TEVC.2025.3544821
期刊简介：《IEEE Transactions on Evolutionary Computation》是人工智能与智能计算领域重要学术期刊。该期刊主要刊发自然启发式智能计算、跨学科领域的最新研究和发展成果，长期位于中科院计算机科学和工程技术等学科一区，也是该领域的Top期刊。
作者简介：杨宁博士是我校计算智能实验室成员，现为IEEE会员、中国仿真学会会员。主要从事智能计算、进化算法及智能优化等理论与应用研究。
论文摘要：在双层优化(Bilevel Optimization)中，上层优化问题(Upper-level Optimization Problem, ULOP)需要在内部下层优化问题(Lower-level Optimization Problem, LLOP)的制约下进行求解。但是，求解过程中始终将LLOP对ULOP的制约放在更高的优先级需要昂贵的计算开销，因为仅验证这一特殊约束条件的满足就需要大量的函数评估开销。从这个角度出发，本文研究了具有多重下层搜索模式的双层进化多目标优化算法(简记为BLEMO-MLS)。在自学习和强化机制的辅助下，BLEMO-MLS可以自适应地调整优先级来更多地考虑上层目标优化或处理LLOP对ULOP的制约。在BLEMO-MLS中，设计了三种下层搜索模式来处理LLOP对ULOP的制约。前两种搜索模式以更高的优先级考虑LLOP对ULOP的制约，并通过混合下层搜索方法对解的下层决策变量进行优化；后一种搜索模式以更高的优先级考虑上层目标优化，短暂性忽略LLOP对ULOP的制约。通过自学习和强化机制，BLEMO-MLS在双层优化过程中动态选择合适的下层搜索模式，旨在获得尽可能满足LLOP制约的近似双层帕累托最优解。与现有的5种双层进化算法对比，BLEMO-MLS可以有效地求解双层多目标优化问题(Bilevel Multi-objective Optimization Problem, BLMOP)，并在各层级优化过程中节省函数评估开销。
主要贡献：
1.提出了一种双层多目标优化问题的分类方法，并给出了有效下层搜索的定义。
2.设计了三种不同的下层搜索模式，它们对上层目标优化和LLOP对ULOP的制约具有不同的优先级，并提出了一种混合下层搜索方法以提高LLOP对ULOP制约的满足。
3.研究了具有多重下层搜索模式的双层进化多目标优化算法，即BLEMO-MLS。在自学习和强化机制的辅助下，BLEMO-MLS在不同状态下自适应地选择合适的下层搜索模式来处理LLOP对ULOP的制约。
4.与5种现有双层优化算法对比，证实了BLEMO-MLS能够有效地求解BLMOPs，并节省大量的函数评估开销。
致谢：以上工作得到了江西理工大学博士科研启动基金、江西理工大学科研平台开放基金、多维智能感知与控制江西省重点实验室等项目的资助。
