基于在线聚类的多目标演化算法及其在飞行器气动隐身一体化设计中的应用

Multiobjective evolutionary algorithms (MOEAs) based on learning techniques have showed great potentials. Through discovering the regularity structure of the Pareto optimal solution sets of a multiobjective optimization problem by learning, evolutionary search can be effectively guided by using recombination operators aided by the learned structure. Existing learning based MOEAs have two main issues. First, too much computational costs are spent on learning. Second, the data during evolution is not well checked for the learning technique. It has been found that the data are actually dependent and non-stationary which is against the i.i.d. consumption made for statistical inference. Above mentioned issues lead that the learning based MOEAs perform not so well when solving actual optimization problems such as integrated design of aerodynamic and stealth performance of aircraft. To deal with these issues, this project intends to couple single-pass online clustering algorithm within evolution. Specifically, single-pass online clustering algorithms will be first selected and improved according to the evolutionary search dynamics. Secondly, multiobjective evolutionary frameworks based on the online clustering will be proposed. Finally, the proposed algorithmic frameworks will be applied into the integrated design of the aerodynamic and stealth performance of aircraft, which is helpful for promoting the algorithms' performance and exploring new techniques for dealing with the actual problem effectively. The success of the project will provide new theories and methods for the research and applications of learning-based multiobjective evolutionary algorithms.

基于学习技术的多目标演化算法通过学习多目标优化问题Pareto最优解集的规则结构，利用结构信息设计重组算子，能够有效地引导演化算法的搜索。但是，现有的基于学习的多目标演化算法一方面在学习结构时花费了高昂计算代价，另一方面在选用学习技术时并没有考虑演化数据的非平稳特性与相关性（演化数据的特点实际违背了一般机器学习方法的独立同分布假设），导致其在求解飞行器气动隐身一体化设计等实际优化问题时效果不佳。为解决此问题，本项目拟研究基于在线聚类与演化过程耦合的多目标算法框架。面对多目标演化的特定学习环境，首先选择与改进在线聚类算法；然后基于在线聚类渐进发掘多目标优化问题解集的结构，设计新的重组算子，进而构建多目标演化算法框架。最后，应用提出的算法进行飞行器气动隐身一体化设计，在促进算法性能的同时为有效解决该实际问题探索新技术。本项目的成功实施可为基于学习的多目标演化算法的研究与应用提供新的理论与方法。

基于学习技术的多目标演化算法通过学习多目标优化问题Pareto最优解集的规则结构，利用结构信息设计重组算子，能够有效地引导演化算法的搜索。但是，现有的基于学习的多目标演化算法一方面在学习结构时花费了高昂计算代价，另一方面在选用学习技术时并没有考虑演化数据的非平稳特性与相关性，导致其在求解实际工程优化问题时效果不佳。为解决此问题，本项目利用在线聚类算法挖掘待解问题的解集结构信息并指导算法的搜索为核心，系统地研究了在线聚类与演化过程耦合的多目标优化算法框架。研究亮点包括：1）研究了在不同的多目标演化算法框架下，面对非平稳且非独立同分布的演化数据，针对性地改造在线聚类机制，以较少的学习代价与较高的效率，发掘问题解集的结构方法，基于问题结构信息开展交配控制，从而调节算法勘探与开发能力的平衡，提高算法求解能力，这些工作将极大的启发及促进演化算法领域的发展。2）首次提出了基于种群特定位置个体实时生存时长进行该位置个体勘探与开发调节的机制，动态满足对于该位置个体勘探与开发能力的特定需求，提高该位置个体寻优的效率，该工作可广泛推广应用于各多目标演化算法中。3）开展了基于聚类多目标演化算法的导弹航迹规划研究，建立了参数化的地形模型以及航路模型，该方法能一次性快速提供多条航路，为决策者提供多条航路选择，该工作能够为飞行器航路规划提供相关参考。本项目已发表学术论文15篇，其中期刊论文11篇，会议论文4篇；SCI检索论文11篇，EI检索论文4篇，其中SCI 1区文章5篇。项目团队在国内重要中文核心学术期刊任青年编委 2人次；邀请国内外学者交流访问10人次。团队成员中，目前4名高工中2名晋升为研究员，2名工程师均晋升为高工，2名研究生均已顺利毕业。项目工作实现了预期研究目标。