近期，江西理工大学计算智能实验室团队的学术论文《Reinforcement Knowledge Sharing Assisted Two-Archive 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基于强化知识共享的超多目标进化算法，能够有效解决多目标优化问题。
论文链接：https://doi.org/10.1016/j.swevo.2025.102139
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，当前位于中国科学院计算机科学和工程技术等学科二区，也是该领域的Top期刊。
论文摘要：在超多目标优化问题（MaOPs）中，随着目标数量的增加，算法在收敛压力和探索完整帕累托前沿（PF）方面存在挑战。目前，双存档机制为应对这些挑战提供了一种新颖的视角。然而，大多数现有基于双存档的超多目标优化算法着重于独立的更新收敛存档（CA）和多样性存档（DA），而较少深入关注两个存档之间的协作。为促进更深层次的合作，本文提出了一种基于强化知识共享的双存档进化算法（RKS-TAEA）用于求解超多目标问题。在RKS-TAEA中，分别提出了一种广义SDE指标（SDEp）和一种基于偏移的指标（SBI）用于更新CA和DA。SDEp能够很好地保持原始SDE指标在估计种群收敛性方面的特性，而SBI则能够全面评估候选解的多样性和收敛性。只要为这两个指标中计算的Minkowski距离适当设置𝑝值，SDEp和SBI能够灵活适应不同PF几何形状的MaOPs。本文还提出了一种强化知识共享机制，通过适应性地拟合MaOPs的PF几何结构，逐代从拟合结果中推导Minkowski距离中的𝑝值。强化知识共享机制实现了两个存档之间更深层次的合作，从而确保RKS-TAEA算法能够自适应地拟合具有不同PF几何结构的复杂MaOPs。在4个基准测试套件和5个实际多目标优化问题上的综合实验结果表明，所提算法相比一些先进的超多目标进化算法，具有更强的竞争力。
主要贡献：
1.提出了一种广义基于偏移的密度估计指标SDEp，该指标能够保持原密度估计指标中估计种群收敛性的性质。
2.设计了一个新的基于位移的指标SBI，该指标既可以全面评估候选解决方案的多样性，也可以评估其收敛性。
3.提出了一种强化知识共享机制，确保SDEp和SBI能够灵活地适应具有不同PF几何形状的MaOPs。
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室、江西省自然科学基金等项目的资助。
