研究成果在《Swarm and Evolutionary Computation》
近日，江西理工大学计算智能实验室负责人李伟老师指导的学术论文《A solution potential-based adaptation reference vector evolutionary algorithm for many-objective optimization》在国际权威期刊《Swarm and Evolutionary Computation》上发表。该研究成果提出了一种名为SPARVEA的多目标进化算法，能够有效解决多目标优化问题。
论文链接：https://doi.org/10.1016/j.swevo.2023.101451
期刊简介：《Swarm and Evolutionary Computation》是人工智能与智能计算领域重要学术期刊。该期刊主要报道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：李伟博士是我校计算智能实验室负责人，现为IEEE Computational Intelligence Society会员、中国计算机学会会员、中国仿真学会智能仿真优化与调度专业委员会副监事长、江西省计算机学会智能计算专委会副主任委员。主要从事智能计算、进化算法、进化深度学习及智能优化等理论与应用研究，在智能计算领域特别是基于智能优化算法方面取得了一系列研究成果。
论文摘要：基于分解的多目标进化算法广泛用于求解多目标优化问题 （MOP）。目标空间中均匀分布的参考向量使得这类算法能够更好地保持种群的多样性。然而，针对具有不规则帕累托前沿 （PF） 的多目标优化问题 （MaOP），这些算法难以得到合适的候选解集。针对这一问题，本文提出了一种基于解潜力的自适应调整参考向量的进化算法（SPARVEA）。该算法提出了解潜力的概念，用于评估解于理想解的收敛方向是否具有潜力。解潜力通过一个评估函数得到，用于评估相应解的潜力。而后基于解潜力自适应调整参考向量，在求解具有不规则PFs的MaOPs时能够更好地指导解的收敛方向。通过采用改进的角度惩罚距离 （mAPD），有效提高多目标优化问题求解过程中解集的个体收敛率。SPARVEA与最先进的多目标进化算法在4个具有不规则PFs的测试集和4个实际问题上进行比较，结果表明SPARVEA在求解多目标优化问题时性能优越。
主要贡献：
1.针对基于分解的多目标进化算法在处理复杂PF时遇到的挑战，本文提出了一种基于解潜力的自适应进化算法。下图中给出了该算法的框架。第一步涉及种群和参考向量初始化，进入迭代阶段后，SPARVEA分别执行种群繁殖、参考向量自适应和环境选择三个步骤。
2.在参考向量的调整过程中，提出了解潜力的概念，作为一种评估解向理想解收敛方向的方法。进一步提出了解潜力的定量评价函数，提供了一种收敛势的度量；提出了一种基于解潜力的自适应策略。通过将解潜力与阈值进行比较，从而允许确定应在何时何地插入新的参考矢量。最后采用修正的角度惩罚距离(MAPD)进行环境选择，将调整后的参考向量与解组合以识别既具有强收敛又具有多样性的解集。
3.在4个具有不规则PFS的测试集和4个实际问题上，将所提出的算法SPARVEA与一些先进的多目标进化算法进行了实验比较，结果表明该算法具有较好的收敛和多样性性能。结果表明，SPARVEA超过了其他先进的MaOEA，表明它具有很强的竞争优势。
致谢：以上工作得到了国家自然科学基金、多维智能感知与控制江西省重点实验、江西省自然科学基金等项目的资助。
