近期，江西理工大学计算智能实验室团队的学术论文《A Multi-Distance Co-Selection Evolutionary Algorithm for Many-Objective Optimization》在国际权威期刊《Expert Systems with Applications》上发表。该研究成果提出了一种基于多距离协同选择的超多目标进化算法，能够有效解决超多目标优化问题。
论文链接：https://doi.org/10.1016/j.eswa.2025.129534
期刊简介：《Expert Systems with Applications》是人工智能与智能计算应用领域重要学术期刊。该期刊着重报道专家系统构建、智能算法应用及多学科交叉融合的最新研究与成果，当前位于中国科学院计算机科学和工程技术等学科一区，亦是该领域的Top期刊。
论文摘要：因非支配个体数量的快速增长，现有的超多目标优化算法（MaOEAs）在求解超多目标优化问题（MaOPs）时面临向真实帕累托前沿（PF）收敛压力不足的挑战。此外，高维目标特性进一步阻碍了算法对种群多样性的有效维护。针对上述问题，本文提出一种基于多距离协同选择的超多目标优化算法（MDCS）。对于收敛性档案（CA），该算法基于理想点和最低点构建了一个双距离收敛指标以筛选收敛性能优异的个体。对于多样性档案（DA），设计了一种综合考量全局和局部多样性的双重多样性维护机制。该机制通过参考向量维持全局分布性，并结合基于信息熵的自适应邻域大小调整机制与平行距离度量，以有效评估局部邻域密度和增强局部多样性。在19个标准测试问题和5个实际应用问题上的实验结果表明，MDCS的性能显著优于其他6种先进的多目标进化算法，验证了其解决MaOPs的有效性与优越性。
主要贡献：
1.提出了一种基于多距离协同选择的双档案进化算法用于求解MaOPs，即MDCS。设计了一种双距离收敛指标以增强CA的收敛压力，并提出了一种双重多样性维护机制以全面维护DA的多样性。
2.采用基于参考向量策略保持DA的全局种群多样性。引入基于信息熵的局部邻域密度估计，结合平行距离以增强DA的局部种群多样性。
3.在19个测试问题和5个实际问题上，将MDCS与六种先进的超多目标优化算法进行对比，验证了MDCS在求解MaOPs上的有效性和通用性。
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。
