基于深度表征学习的演化算法动态行为分析与定量表征方法研究

Due to the lack of effective quantitative representation and analysis methods, we cannot make systematic and scientific conclusion and classification on huge amount of research results on Evolutionary Algorithms (EAs), therefore can not construct a scientific knowledge framework for the research of EAs, this has been a bottleneck in the development of evolutionary computation. Recently, the breakthrough in the research of machine learning, especially in its new branch the deep learning, has shown us a new approach to quantitative analysis and representation of dynamic behaviors of EAs. In this project, we propose to study methods for quantitative analysis and representation of EAs' dynamic behavior based on the up-to-date theory and techniques of deep representation learning. The focuses will be put on the study of: the methods for quantitative representation of EA's population distribution in the search space; methods for quantitative analysis and representation of EA's dynamic behaviors; methods for constructing Algorithmic Research-Oriented deep representation framework of EAs; Demonstration of applying above methods to the research of EAs for Large Scale Numerical Optimization; and the establishment of an open platform of tools for EA analysis. A systematic and comprehensive framework of quantitative analysis and representation of EAs is a prerequisite for constructing the algorithmic research framework of EAs. This project proposes to study it via a new approach, which is of important academic value and originality.

长期以来，由于缺乏有效的定量表征方法，我们一直不能对演化算法已有的丰富的研究成果进行系统科学地归纳与分类，因而无法建立起科学的演化算法研究体系，这成为目前制约演化计算发展的一个重要瓶颈。近年，机器学习领域、尤其是深度学习方向上的突破性研究进展，为我们研究建立演化算法动态行为分析与定量表征体系开启了一个新的研究思路。本项目提出基于深度表征学习的最新理论与方法，研究演化算法动态行为分析与定量表征方法，重点研究：演化算法群体空间分布定量表征方法，演化算法动态行为分析与定量表征方法, 面向算法研究的演化算法深度表征体系构建方法，上述分析与表征方法在大规模优化演化算法研究中的应用，以及建立开放共享的演化算法分析工具平台。系统全面的演化算法定量表征与分析体系是建立科学的演化算法研究体系的必要前提，本项目从一个新的角度开展研究，具有重要的学术意义和一定的原创性。

项目围绕“演化算法群体空间分布定量表征、演化算法动态行为分析与定量表征、面向算法研究的演化算法深度表征体系构建、上述方法在大规模优化演化算法研究中的应用”四个研究内容开展研究，取得了一批实质性研究成果。初步解决了演化算法群体分布的一致性表示问题；从多个技术路线验证了通过机器学习方法获得演化算法动态行为定量表征的可行性，并给出相应的技术方法。实验结果表明，基于SFA、DBN和CNN所构建的演化算法行为定量表征体系是基本一致，相互印证了方法和结果的合理性，同时表明，演化算法的行为存在稳定的、可区分性特征；基于新兴的深度表征学习与传统的建模、聚类、学习两条不同的技术路线，研究了构建演化算法动态行为表征体系的方法，并取得一批初步成果。在Github上建立了开放共享的演化算法分析工具平台，对项目相关成果进行开源，国内外同行可网上公开获取。发表期刊论文6篇（1篇中科院一区，3篇中科院二区），会议论文12篇，申请软件著作权2个。一篇论文获ICACI2018最佳学生论文奖，一组学生获2017 年华为软件精英挑战赛上合赛区第一名、全国总决赛二等奖。组织或共同组织与本课题相关的学术活动9次，14人次参加国内外相关领域的学术交流活动。培养毕业博士生2名，硕士生6名。