近日，计算智能实验室李伟老师指导的学术论文《Promising boundaries explore and resource allocation evolutionary algorithm for constrained multiobjective 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BPRRA的双阶段双种群算法，能够有效求解约束多目标问题。
《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，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。
约束多目标优化问题（Constrained Multiobjective Optimization Problem, CMOP）中往往会出现一些可能具有欺骗性的局部最优区域。目前的约束多目标算法(Constrained Multiobjective Evolutionary Algorithms, CMOEAs)往往由于同一时间-空间节点下群体功能单一，无法持续探索多样性，也无法平衡探索重点，种群难以维持多样性和逃离局部最优区域。为此，本文提出了一种名为BPRRA的双阶段双种群算法，该算法利用新技术探索有希望区域边界并实现计算资源的合理分配。在第一阶段，双种群分别在忽略约束条件和考虑约束条件的情况下探索有希望区域的上下边界。在第二阶段，双种群通过多样性存档策略从不同的有希望区域边界来探索不同的解区域。此外，根据潜在后代的比例，设计了一种新的资源分配策略来动态分配有限的计算资源。为验证BPRRA的性能，本文将BPRRA用于求解五个基准CMOP测试集和九个实际问题，并与现有CMOEAs进行对比。实验结果表明BPRRA具有优越的性能，能够有效求解CMOPs。论文的主要贡献包括：
1.提出了一种新的有希望区域边界搜索策略，该策略通过双种群分别在忽略约束条件和考虑约束条件的情况下探索有希望区域的上下边界。边界信息探索过程有助于种群跨越不可行区域，通过利用潜在的不可行解来帮助种群探索约束Pareto前沿，从而提高种群的多样性和收敛性。
2.设计了一种名为PRRA的新资源分配策略，该策略能在计算压力较大时有效分配有限的计算资源。PRRA根据潜在后代的比例，自适应调整每个种群的后代生成数量，从而实现计算资源的动态分配，并投入更多的计算资源来引导种群深入探索有希望区域。
文献链接：https://doi.org/10.1016/j.swevo.2024.101819
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。
