[00130060]多目标智能优化理论与关键技术及其应用

很多实际问题可以归结为多目标优化问题。智能优化作为一类重要的求解方法,受知识融合智能优化机理不清、智能优化方向调控机制不明和不确定超多目标优化解评价方法不足等制约,存在全局与局部搜索难以同时兼顾、高性能搜索空间计算资源分配不均、超多目标空间优化解难以精准评价等严重问题,大大限制了在实际多目标优化问题的应用。项目在5项国家自然科学基金资助下,深入研究了知识驱动的智能优化性能提升路径、超多目标智能优化方向漂移规律、不确定目标优化解精准评价机理等3个关键科学问题,取得了如下创新性成果。 （1）提出了知识驱动的智能优化范式/策略。针对目标冲突的优化问题,汇聚了优化问题领域知识和智能优化过程产生的群体知识,揭示了知识融合提升智能优化性能的机理,提出了问题领域知识引导的智能优化范式,设计了可行和不可行域知识协同驱动的优化解集演化机制,提升了多目标粒子群优化算法的性能,成功应用于代价敏感高维数据分类和危险环境机器人路径规划等实际优化问题,解决了长期困扰多目标智能优化全局与局部搜索难以兼顾的问题。 （2）提出了超多目标智能优化方向调控机制。面向目标超多（目标多于3个）的优化问题,分析了目标增多对智能优化方向漂移的影响,设计了相似目标分组与相异目标聚合的智能优化方向形成策略,提出了多群体协同搜索的超多目标智能优化方向调控机制,构建了基于收敛和多样性的逐一选择群体演化框架,提升了超多目标智能优化方法的性能,成功应用于上万行代码并行软件测试和煤矿巷道掘进支护网络设计等实际优化问题,成为解决超多目标优化问题的主流范式。 （3）提出了多性能引导的不确定目标优化解评价方法。对于目标超多且不确定的优化问题,解析了目标增多和不确定对优化解评价的双重挑战,建立了以优化解集为决策变量的超多目标降维转化模型,提出了多性能引导的优化解评价方法,给出了优化解集演化的超多目标智能优化策略,提升了遗传算法求解不确定超多目标优化问题的性能,成功应用于区间不确定9目标汽车驾驶室设计等实际优化问题,为目标超多且不确定优化问题的智能求解指明了方向。 基于项目成果,在国内外主流期刊发表学术论文51篇。5篇代表作发表在《IEEE TEVC》、《IEEE TCYB》、《IEEE-ACM TCBB》、《自动化学报》和《电子学报》等“三高”期刊上,其中ESI前1%高被引论文2篇;代表作被Web of Science他引324次,CNKI他引156次,总他引475次;得到谭久彬、谭建荣等中国工程院院士、Witold Pedrycz、Carlos A. Coello Coello、Mengjie Zhang、Narayana P. Padhy、Panos M. Pardalos、焦李成等加拿大、墨西哥、新西兰、印度、乌克兰、俄罗斯（自然）科学院/工程院院士和16位IEEE/IFAC Fellow的正面评价。项目执行期间,3人入选省部级人才工程,2篇学位论文获江苏省优秀博士（硕士）学位论文。