近期，江西理工大学计算智能实验室团队的学术论文《基于不确定性筛选的昂贵多目标进化算法》在控制科学与工程领域国内公认的权威中文核心期刊《控制理论与应用》上发表。该研究成果提出了一种基于不确定性筛选的昂贵多目标进化算法，能够有效解决昂贵多目标优化问题。
论文链接：https://link.cnki.net/urlid/44.1240.tp.20260908.1556.022
期刊简介：《控制理论与应用》是由教育部主管，华南理工大学和中国科学院数学与系统科学研究院联合主办，1984年创刊，是中文核心期刊，同时被EI、SCOPUS、CSCD等国内外重要数据库收录。还入选了中国科协自动化学科领域高质量科技期刊目录，并多次获得中国高校精品科技期刊等荣誉。主要报道系统控制科学中具有新观念和高科技领域中的研究成果。
论文摘要：代理辅助进化算法在求解昂贵多目标优化问题中展现出良好的应用潜力。然而在有限评估次数下，代理模型预测误差及其提供的不确定性信息往往会对优化方向产生影响，进而影响算法的收敛效率与搜索稳定性。如何在利用代理模型预测信息的同时合理处理预测信息的不确定性，成为代理辅助优化中的关键问题。针对上述问题，本文提出了基于不确定性筛选的昂贵多目标进化算法，在代理模型优化阶段引入不确定性预筛选机制，提高代理搜索的稳定性，并在填充采样阶段使用双指标选择候选解，从而在有限评估次数下实现收敛性与多样性的平衡。实验结果表明，所提算法在测试问题和实际问题上有较好的优化结果，并具有更稳定的性能表现。
主要贡献：
1.针对昂贵多目标优化中代理模型预测误差和不确定性信息可能误导搜索方向的问题，本文从风险控制视角出发，将不确定性信息引入决策约束过程，而不是仅用预测值或仅用不确定性增强探索，从而提升有限评估预算下搜索的稳定性与可靠性。
2.在代理模型优化阶段引入不确定性预筛选机制，基于Kriging模型输出的预测均值和预测标准差，对高预测方差、高不确定性的候选解施加适应度惩罚，降低高风险不可靠个体对代理搜索方向的干扰。随后对候选解进行非支配排序，优先保留在“预期收敛潜力”与“模型预测置信度”之间权衡较好的解。
3.在真实评估前的填充采样阶段设计双指标填充采样策略，构建融合概率支配指标与目标空间多样性指标，两者通过非支配排序综合筛选，在有限评估次数下协同搜索平衡收敛性与多样性。
4.在基准测试集和实际问题上，与多种代表性及先进代理辅助进化算法进行比较，结果表明不确定性预筛选机制与双指标填充采样策略具有互补作用，算法在多数问题上取得更优或更具竞争力的结果，并表现出更稳定的收敛性能。
致谢：以上工作得到了国家自然科学基金项目和江西省自然科学基金项目的资助。
