研究成果在《Expert Systems with Applications》上发表
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《DC-SHADE-IF:An infeasible-feasible regions constrained optimization approach with diversity controller》在国际权威期刊《Expert Systems with Applications》上发表。该研究成果提出了一种名为DC-SHADE-IF的约束单目标进化算法，能够有效求解约束优化问题。
论文链接：https://doi.org/10.1016/j.eswa.2023.119999
期刊简介：《Expert Systems With Applications》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：为了求解约束优化问题（COPs），主流的约束进化算法往往考虑两个关键的平衡，即探索与开发之间的平衡以及约束满足与目标优化之间的平衡，但大部分算法依然缺乏较为准确的多样性调控机制。本文设计了一种基于小世界网络的多样性控制器（DC）来平衡探索与开发，通过适应度距离相关性信息来调整小世界网络的重连概率，从而实现种群多样性的动态控制。此外，本文还提出了一种不可行-可行区域约束处理方法（IF）来平衡约束满足与目标优化。IF方法分为两个阶段：第一阶段搜索不可行区域与可行区域之间的边界，第二阶段采用自适应Epsilon约束处理方法。最后，本文将DC和IF约束处理方法与基于成功历史的参数自适应差分进化算法（SHADE）相结合，提出了DC-SHADE-IF算法。DC-SHADE-IF算法与当下七个先进的算法在CEC2017约束实参数优化竞赛提供的28个约束优化问题以及2个现实世界中的约束优化问题上进行了性能测试。实验结果表明，DC-SHADE-IF算法在求解精度和收敛性方面表现出了优越的性能。
主要贡献：
1.提出了多样性控制器。我们通过调整小世界网络的重连概率来控制种群多样性。具体来说，利用小世界网络的特性构建种群的邻域结构，并根据适应度距离相关性（FDC）信息动态调整小世界网络中的重连概率，从而实现对多样性的控制。
2.提出了一种不可行-可行区域约束处理方法。约束处理过程分为两个阶段：第一阶段仅考虑约束违反程度的优化，而第二阶段则采用自适应𝜀约束处理方法。
3.通过将多样性控制器和不可行-可行区域约束处理方法集成到SHADE算法中，提出了DC-SHADE-IF算法。
4.将DC-SHADE-IF与CEC2017约束优化测试套件和实际问题上的几种高级算法进行了比较，表明该算法在精度和收敛性方面具有优越的性能。
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。
