栏目: 进化计算专题 http://www.joca.cn zh-cn http://www.joca.cn/CN/1001-9081/current.shtml http://www.joca.cn 1001-9081 http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2024020255 大规模重叠问题在实际工程应用中普遍存在，重叠问题子组间的共享变量给大规模重叠问题的优化带来了很大困难。基于分解的协同进化（CC）算法在解决大规模重叠问题上表现良好。然而，一些针对重叠问题设计的新型CC框架依赖问题分解方法获得重叠问题结构，而目前针对大规模重叠问题设计的分解方法不能同时兼顾高效性和准确性。为此，提出一种两阶段差分分组（TSDG）方法，在实现精确分组的同时显著减少了计算资源消耗。在第一阶段，采用基于有限差分原理的分组方法高效地识别子组集和共享变量集；第二阶段则提出一种分组改善方法检查前一阶段得到的子组集和共享变量集的信息，改正不准确的分组结果，以提高分组的稳定性和准确性。利用两阶段的协同作用，TSDG实现了对大规模重叠问题高效准确的分解。实验结果表明，TSDG能够在消耗较少计算资源的同时准确地分解大规模重叠问题。在优化实验中，TSDG在大规模重叠问题上的表现也优于对比算法。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2024020254 针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题，提出一种基于多时间尺度协同的进化算法（MTCEA）。首先，根据炼油企业的规模结构和实际需求，建立了一种大规模多时间尺度原油调度优化模型，该模型由面向资源的中长期调度模型和面向操作的短期调度模型构成，通过引入原油资源动态分组策略，实现原油资源的合理配置，以满足不同的调度规模、多时间尺度的特征和精细化生产的要求；其次，为促进不同时间尺度调度决策的融合衔接，设计基于多时间尺度协同的进化算法，并针对不同时间尺度调度模型中的连续决策变量构造子问题进行求解，以实现不同时间尺度调度决策之间的协同优化；最后，在3个实际工业案例进行了算法性能验证。结果表明，与3种具有代表性的大规模进化优化算法（即竞争性粒子群优化算法（CSO）、基于多轨迹搜索的自适应差分进化算法（SaDE-MMTS）和基于混合模型的进化策略（MMES））以及3种高性能混合整数非线性规划（MINLP）数学求解器（即ANTIGONE（Algorithms for coNTinuous/Integer Global Optimization of Nonlinear Equations）、SCIP（Solving Constraint Integer Programs）和SHOT（Supporting Hyperplane Optimization Toolkit））相比，MTCEA的求解最优性指标和稳定性指标分别提高了30%和25%以上。这些显著的性能提升验证了MTCEA在大规模多时间尺度原油调度决策中的实际应用价值和优势。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2024020209 进化多任务优化（EMTO）是进化计算中一种新型方法，它可以同时解决多个相关的优化任务，并通过任务之间的知识转移增强每个任务的优化。近年来，越来越多的进化多任务优化相关研究致力于利用它强大的并行搜索能力和降低计算成本的潜力优化各种问题，并且EMTO已应用于各种各样的实际场景当中。从EMTO的原理、核心设计、应用以及挑战四个方面对EMTO的算法及应用进行了讨论。首先介绍了EMTO的大致分类，分别从两个层次、四个方面介绍，包括单种群多任务、多种群多任务、辅助任务形式以及多形式任务形式；其次介绍EMTO的核心组件设计，包括任务构建以及知识转移；最后对它的各种应用场景进行介绍，并对今后研究做了总结与展望。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2024020208 随着优化问题变得日益复杂，传统的进化算法由于计算成本高昂和适用性有限而面临挑战。为了克服这些挑战，基于知识迁移的进化多任务优化（EMTO）算法应运而生，它的核心思想是通过跨任务的知识共享，同时解决多个优化问题，旨在提高进化算法在应对复杂优化场景的效率。全面总结了当前进化多任务优化研究的进展，与已有综述文章相比，从不同的研究视角进行深入探讨，并指出了现有文献中对优化场景视角分析的缺失。鉴于此，从优化问题的应用场景出发，对适用于进化多任务优化的场景及其基本解决策略进行了系统性的阐述，以帮助研究人员准确地根据具体应用需求选择合适的研究方法。此外，深入讨论进化多任务优化当前面临的挑战和未来的研究方向，旨在为未来的研究提供指导和启示。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2024010113 机会约束的多选择背包问题（CCMCKP）是一类具有重要应用价值的NP难组合优化问题，但目前还缺乏关于该问题求解方法的专门研究。为此，提出首个CCMCKP的求解框架，并基于该框架构建了两种求解方法：基于动态规划的RA-DP和基于遗传算法的RA-IGA。RA-DP是精确求解方法，具有最优性保证，但是在可接受的时间（1 h）内仅能求解小规模问题样例；相较而言，RA-IGA是近似求解方法，具有更好的可扩放性。仿真实验结果验证了所提求解方法的性能：在小规模问题样例上，RA-DP和RA-IGA都可以找到最优解；在中大规模问题样例上，RA-IGA表现出了比RA-DP显著更高的求解效率，它总是可以在给定时间（1 h）内快速获得可行解。在CCMCKP的后续研究中，RA?DP和RA-IGA可作为基准对比方法，而实验工作中所构建的测试样例集可作为该问题的标准测试集。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2024010028 智能制造和环境可持续性研究中，多目标调度问题对于协调生产效率、成本管理与环境保护之间的平衡具有至关重要的意义，但现有基于CPU的调度解决方案在处理大规模生产任务时仍面临效率和时效性的限制，而GPU的并行计算能力可为优化大规模流水车间调度问题提供新的解决途径。针对多目标零等待流水车间调度问题（NWFSP），以同时最小化最大完成时间和总能耗（TEC）为优化目标，构建了混合整数线性规划模型（MILP）表征该调度问题，并提出一种基于GPU加速的张量化演化算法（Tensor-GPU-NSGA-Ⅱ）求解该问题。Tensor-GPU-NSGA-Ⅱ的主要创新在于对NWFSP关于最小化最大完成时间和TEC的计算过程的张量化处理，并提出了一种基于GPU的并行种群更新方法。实验结果表明，在500工件和20机器的问题规模下，Tensor-GPU-NSGA-Ⅱ在计算效率上相较于传统NSGA-Ⅱ算法取得了9 761.75的加速比；且随着种群规模的增加，它的加速性能有显著提升。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2023121865 在多智能体系统中，协作任务往往动态变化，且存在多个冲突的优化目标，因此动态多目标多智能体协同调度问题已经成为亟须解决的关键问题之一。针对动态环境下多智能体协同调度需求，提出了概率驱动的动态预测策略，旨在有效利用历史环境概率分布，预测决策解在新环境的概率分布，从而生成新的多智能体调度方案，实现调度算法在动态环境下的快速响应。具体来讲，设计了基于元素的概率分布表达，以表示解的构成元素在动态环境的适应性，并根据优化算法迭代最优解逐步更新概率分布以趋近实际分布；构建了基于融合的概率分布预测机制，考虑到环境变化的连续性和相关性，当环境变化时，通过融合历史概率分布预测新环境的概率分布，为新环境优化提供先验知识；提出了基于启发式的新解采样机制，结合概率分布和启发式信息，生成解方案以更新过时种群。将概率驱动的动态预测策略嵌入新型的多目标进化算法，获得概率驱动的动态多目标进化算法。在10个动态多目标多智能体协同调度问题实例上，实验结果表明，所提算法在解最优性和多样性上显著优于已有多目标进化算法，所提的概率驱动的动态预测策略能够提高多目标进化算法对动态环境的适应能力。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2023121837 由于对抗双方态势的快速变化，无人机近距空战机动自主决策困难且复杂，是空中对抗的一个难点。对此，提出一种基于有限忍耐度鸽群优化（FTPIO）算法的无人机近距空战机动决策方法。该方法主要包括基于机动动作库的对手行动预测和基于FTPIO算法的机动控制量和执行时间优化求解两个部分。为提升基本鸽群优化（PIO）算法的全局探索能力，引入有限忍耐度策略，在鸽子个体几次迭代中没有找到更优解时对其属性进行一次重置，避免陷入局部最优陷阱。该方法采用的优化变量是无人机运动模型控制变量的增量，打破了机动库的限制。通过和极小极大方法、基本PIO算法和粒子群优化（PSO）算法的仿真对抗测试结果表明，所提出的机动决策方法能够在近距空战中有效击败对手，产生更为灵活的欺骗性机动行为。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2023121829 局部特征选择（LFS）方法将样本空间划分为多个局部区域，并为每个区域选择最优特征子集以反映局部异质信息。然而，现有的LFS方法以每个样本为中心划分局部区域并找到最优特征子集，导致优化效率低下且适用场景受限。为了解决这个问题，提出一种进化双层自适应局部特征选择（BiLFS）算法。LFS问题被建模为双层优化问题，特征子集和待优化局部区域是该问题的两个决策变量。在问题的上层，使用非支配排序遗传算法-Ⅱ求解被选择的局部区域的最优特征子集，区域纯度和被选择特征比率是目标函数；在问题的下层，根据上层求解的最优特征子集，首先使用局部区域聚类分析得到区域内的中心样本，然后通过局部区域融合消除非必要区域并更新必要区域的种群。在11个UCI数据集上的测试结果表明，相较于基于进化算法的非自适应LFS方法，BiLFS的平均分类准确率达到前者的98.48%，而平均所需计算用时仅为前者的9.51%，运算效率得到大幅提升，且达到基于线性规划的LFS方法的水准。对迭代过程中BiLFS算法选择的用于优化的局部区域进行可视化分析，结果表明，BiLFS选择必要局部区域具有稳定性和可靠性。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2023121814 泛在计算模式下，数据分布式获取和处理带来了分布式数据驱动优化的需求。针对数据分布获取、约束异步评估且信息缺失的挑战，构建分布式数据驱动的多约束进化优化算法（DDDEA）框架，由一系列终端节点负责数据提供和分布式评估，服务器节点负责全局进化优化。基于该框架具体实现了一个算法实例，终端节点利用局部数据构建径向基函数（RBF）模型，辅助驱动服务器节点差分进化（DE）算法对问题进行寻优。通过与3个集中式数据驱动的多约束进化优化算法在两个标准测试集的实验对比，DDDEA在68.4%的测试用例中取得显著最优结果，在84.2%的测试用例中找到可行解的成功率为1.00，表明该算法具有良好的全局搜索能力和收敛能力。

]]> http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2023121798 约束多目标进化算法（CMOEA）是一类专门为解决约束多目标优化问题而设计的元启发式算法。这类算法利用基于种群的黑盒随机搜索模式，可以在不同优化问题上达到目标与约束之间的有效平衡；然而它们未有效利用函数的梯度信息，在复杂问题上收敛过慢。但引入梯度信息不是一个简单的过程，同时计算所有目标和约束的梯度会消耗大量的计算资源，且目标和约束之间的矛盾会使梯度方向难以确定。为此，提出一种进化计算和梯度下降（GD）的联合优化算法——基于梯度辅助的多阶段约束多目标进化算法（CMOEA-MSG）。该算法包括两个阶段：在第一阶段，算法通过构建辅助问题并有选择性地计算目标或约束的梯度更新解，使种群快速收敛至可行区域；在第二阶段，算法采用约束优先原则求解原问题，保证种群的可行性和多样性。与现有同类算法在LIR-CMOP、MW和DAS-CMOP三个测试集上的对比结果表明，CMOEA-MSG可以更有效地解决约束多目标优化问题。

]]>