基于学习理论的进化算法及其在应急资源配送路径问题中的应用研究

Evolutionary algorithm has become an important optimization method. However, a large number of difficult problems in the real world have given it a new challenge. The emergency resource distribution routing problem is a kind of hard problems with important application background. Compared with the classical vehicle routing problem, it has more prominent uncertainty and weak economy characteristics. As for this problem, the traditional optimization methods are usually difficult to solve, whereas the performance of current evolutionary algorithms is not very satisfactory, making people urgently seek new and more effective search mechanisms. Learning theory is an important branch of psychology. It studies the science principles of human learning, and provides many effective mechanisms on information processing and strategies of problem solving. On the basis of the research foundation of our team, this project aims to use the research findings of learning theory to explore new methods on knowledge representation, acquisition, conversion, and test, and develop new mechanisms on information processing, and employ the strategy of problem solving in learning theory to develop new mechanisms for solution generation. On this basis, this project will develop a new single-objective evolutionary algorithm, and propose new methods on diversity preservation and knowledge storage for multiobjective optimization, and then develop a new multiobjective evolutionary algorithm. The evolutionary algorithms we proposed will provide new and effective methods for the emergency resource distribution routing problem and other difficult optimization problems.

进化算法已经发展成一类重要的优化方法。然而，现实世界中的大量复杂难题给进化算法带来新的挑战。应急资源配送路径问题是一类具有重要应用背景的难题，与经典车辆路径问题相比，它具有突出的不确定性和弱经济性。针对该问题，传统优化方法难以计算，而现有进化算法的计算效果还不甚理想，人们迫切需要新的更为有效的搜索机制。学习理论是心理学的重要分支之一，它总结人类学习的科学原理，它提供了行之有效的信息加工机制和问题解决策略。在团队前期研究基础上，本项目致力于利用学习理论中的研究成果，探索新的知识表示、获得、转化、检验方法，建立新的信息加工机制，利用学习理论中的问题解决策略发展新的解生成机制。在此基础上，本项目将建立新的单目标进化算法，并提出面向多目标优化的多样化保持和知识存储方法，从而建立新的多目标进化算法。所得到的进化算法将为应急资源配送路径问题等优化难题提供新的有效解决方案。

现实世界存在大量复杂优化难题，例如应急资源配送路径问题，这是一类具有重要应用背景的难题，与经典车辆路径问题相比，它具有突出的不确定性和弱经济性。进化算法是求解复杂优化难题的有效方法之一。但是，在应急资源配送路径问题等复杂难题中，进化算法面临新的挑战,现有进化算法的计算效果还不甚理想。因此，迫切需要新的更为有效的搜索机制。本项目利用学习理论（如手段目的法、头脑风暴、强化学习等），探索行之有效的信息加工机制和问题解决策略。课题组在总结现有国内外研究现状的基础上，探索利用现有学习理论的研究成果，提出了新的知识表示、获得、转化、检验方法，建立了新的信息加工机制，利用学习理论中的问题解决策略发展新的解生成机制。在此基础上，建立了新的单目标进化算法。课题组将其推广到多目标优化，提出了多样化保持和知识存储方法，从而建立新的多目标进化算法。所得到的进化算法在应急资源配送路径问题得到更好的解。课题组还在无线传感器网络、交通流控制等优化难题中应用，所提出的方法与文献中的方法有一定优势。课题组的相关研究成果表明，基于学习理论的进化算法能为求解复杂优化难题提供新的有效解决方案。在国家自然科学基金支持下，课题组发表著作两部（《蚁群智能优化方法及其应用》《强化学习》），SCI论文8篇，国际会议5篇。课题组培养了博士研究生8名，硕士研究生9名。