近期，江西理工大学计算智能实验室团队的学术论文《Dynamic competitive constraint handling for constrained multi-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基于动态竞争约束处理的约束多目标算法，能够有效解决约束多目标问题。
论文链接：https://doi.org/10.1016/j.swevo.2026.102506
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：在求解约束多目标优化问题（CMOPs）时，传统方法通常采用约束违反度作为约束处理的指标。由于该指标将多个约束的违反程度聚合为单一标量，因此会弱化甚至掩盖各约束的景观信息。近年来，为弥补约束违反度忽略各约束差异的不足，有研究者提出了约束分解、约束优先级排序等方法，以更精细地刻画各约束的相对重要性。然而，这些方法通常依赖预定义的评估规则，缺乏动态利用独立约束作用以增强对约束帕累托前沿（CPF）探索的能力。为解决这一局限，本文提出一种用于约束多目标优化的动态竞争约束处理算法（DCCHT）。具体而言，DCCHT将含K个约束的CMOP分解为K+1个不同的优化池，其中一个优化池考虑所有约束，另外K个优化池分别涉及全部K个约束中的每一个约束。所提出的双向知识迁移策略用于促进不同优化池之间的信息交换，通过共享有价值的景观信息，加速全局优化池向CPF收敛。同时，采用反馈驱动的资源分配方法将计算资源自适应地分配给各优化池。在逼近CPF过程中，更具竞争力的优化池将会获得更多计算资源。在三个基准测试集和各种真实工程问题上的大量实验表明，DCCHT相较于一些最先进算法具有显著更优的性能。
主要贡献：
1、提出一种竞争性约束分解方法，将CMOP解耦为一组不同的优化池，为各个约束之间的动态竞争与协作提供组织框架。
2、设计一种双向知识迁移策略，以促进约束池与全局优化池之间的信息交换和协同。
3、提出一种反馈驱动的自适应资源分配机制，根据各优化池在探索约束帕累托前沿方面的累计贡献，调控优化池之间对有限计算资源的竞争。
4、在三个基准测试集和八个实际应用的CMOPs上进行全面实验表明，所提算法与一些最先进的约束多目标进化算法相比更具竞争力。
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。
