动态多目标协同微粒群优化及其在数据流聚类中的应用

The multi-objective optimization problems in dynamic environment widely exist in our real life. Although the existing evolutionary algorithms can improve the capability of population to tracke time-varying Pareto optimal set,it is difficult to apply those algorithms in more complicated problems， which have irregular environment and high dimension variables,because of their inherent disadvantages. Based on the co-evolutionary technology,this project studies the cooperative co-evolutionary particle swarm optimization theory and method for solving complicated dynamic multi-objective optimization problems, and their applications. Based on this project, we plan to establish a new dividing theory of variable space based on environment sensitivity, give an individual comparison strategy based on whole solution set, propose a cooperative co-evolutionary multi-objective particle swarm optimization algorithm for solving the above problems, and apply the proposed theory and algorithm in data stream clusering problems. The results of this project should produce a novel solving method for dynamic multi-objective optimization problems,and improve the response speed of algorithm,as well as the quality of solutions. This project is a novel and challenging research orientation with obvious social requirement,which combines automatization,computer science and mathematics.Therefore,it has important theoretical and actual value.

目标函数多且随环境动态变化的优化问题是非常普遍的。尽管已有进化优化方法可以提高种群跟踪时变Pareto最优解集的能力，但是，这些方法固有的缺陷，使其难以有效处理环境变化不规律、变量维数高的复杂动态多目标优化问题。本项目利用协同进化技术，研究用于动态多目标优化问题的合作型协同微粒群优化理论、方法及其应用。通过研究，拟建立基于环境敏感程度的变量空间划分理论，给出基于完整解集的子种群个体优劣比较策略，提出用于问题求解的合作型协同多目标微粒群优化算法，并将其用于数据流聚类问题。研究成果将为动态多目标优化问题提供一种新的求解途径，提高算法对环境变化的响应速度和求解质量。本项目是自动化、计算机与数学等学科有机交叉、新颖且富有挑战性的研究方向，有非常明确的产业需求，因此，具有重要的理论意义和实际应用价值。

目标函数多且随环境动态变化的动态多目标优化问题非常普遍。尽管已有进化优化方法可以提高种群跟踪时变Pareto最优解集的能力，但是，这些方法固有的缺陷，使其难以有效处理环境变化不规律、变量维数高的复杂动态多目标优化问题。项目组成员针对复杂动态多目标优化问题的合作型协同微粒群优化理论与方法，进行了为期4年的深入研究，建立了适于动态环境的新型协同进化机制，给出了基于环境敏感程度的变量空间分割方法，以及基于完整解集的子种群个体优劣比较策略；在此基础上，基于微粒群优化这一典型进化优化方法，提出了适于动态环境的合作型协同多目标微粒群优化算法，并将其用于数据流聚类等实际问题，验证了所提理论与方法的有效性。.基于上述成果，获教育部高等学校科学研究优秀成果奖自然科学二等奖1项、江苏省科学技术奖自然科学二等奖1项、第五届吴文俊人工智能科学技术奖创新三等奖1项；申请发明专利4项，其中，已授权1项；授权登记计算机软件著作权1件，出版专著1部；在被SCI或EI等检索的学术期刊或会议上发表论文21篇，其中，SCI源刊论文11篇（含顶级期刊论文2篇，中科院1、2区期刊论文7篇）；培养博士研究生3名、硕士研究生4名，圆满完成了项目的预期目标。.研究成果为复杂动态多目标优化问题提供了一种新的高效求解途径，丰富了多目标进化优化理论，提高了算法对环境变化的响应速度和求解质量，扩大了协同进化优化的应用范围，具有重要的理论意义和实用价值。