分布式差分进化算法求解大规模动态优化问题研究

Differential evolution (DE) algorithm is a kind of the advanced techniques for optimization. As the complexity of optimization problems continuously increases, distributed DE is becoming a new efficient method and new development tendency. However, the rise and development of the techniques such as cloud computing, Internet of Things, and big data, brings new characteristics of large scale and dynamic to optimization problems. This challenges the computational efficiency of traditional DE and simple distributed DE algorithms. To solve the above problem, this project proposes efficient distributed DE algorithms and conducts research into the distributed DE algorithms for large-scale and dynamic optimization. This project first makes researches into the frameworks and performance of distributed DE algorithms for large-scale and dynamic optimization; then makes researches into the problem decoupling and distributed deployment techniques of the big population for large-scale optimization, and knowledge transfer and multiple population coevolution techniques for dynamic optimization, so as to enhance the global searching ability and computational efficiency of distributed DE algorithms, overcoming the performance bottleneck of DE in large-scale and dynamic optimization; and at last makes researches into the application of the efficient distributed DE to the actual complex problems in large-scale and dynamic environments. This project is to provide an efficient way to solve complex optimization problems via the efficient distributed DE.

差分进化算法是一类前沿优化技术。随着优化问题的日渐复杂，分布式差分进化逐渐成为了新的有效求解途径和发展趋势。同时，云计算、物联网和大数据等技术的兴起与发展，使众多优化问题具有了大规模和动态等更复杂和更具挑战的特性，传统差分进化和简单分布式差分进化都面临求解效率低下的问题。针对这一问题，本项目提出基于高效分布式差分进化算法的求解思路，开展对分布式、大规模及动态差分进化算法的前沿研究。首先是研究面向大规模、动态优化的分布式差分进化算法框架及其性能；然后针对大规模优化的问题解耦技术与大种群分布式调配技术以及动态优化的知识迁移技术与多种群分布式协同技术开展研究，探索增强分布式差分进化算法全局搜索能力和加快求解速度的新途径，突破分布式差分进化算法在大规模和动态等复杂优化问题中的效率瓶颈；最终将高效分布式差分进化算法在大规模、动态的云资源调度等问题中进行验证和应用，为实际复杂优化问题提供高效的解决方案。

本项目围绕分布式差分进化算法以及其他分布式进化计算方法开展算法框架、关键技术和应用检验等多方面多层次的研究工作。在算法框架方面，本项目提出了一种基于多种群的自适应分布式差分进化算法框架，通过对种群分布与进化状态关系的探索，实现了分布式算法进化状态的估计，进而实现了算法参数与策略自适应控制的分布式进化框架，同时将该框架与算法用于求解复杂的实际应用问题。在关键技术方面，本项目提出了面向大规模优化的基于功能模块的大规模变量分解技术和基于自适应粒度学习的分布式多种群计算资源调配技术，同时提出了面向动态优化的知识迁移技术与多种群分布式协同技术。在应用检验方面，本项目实现了基于动态组学习的分布式进化算法在大规模云工作流调度问题中的应用，实现了基于资源感知的分布式差分进化算法在大规模、昂贵功率电路优化设计问题中的应用，将分布式差分进化和分布式进化计算在智慧城市和智能制造等多个领域进行了应用拓展。.通过本项目的研究，共发表（录用）标注了本项目基金号的国际学术期刊和国际学术会议论文53篇，包括全球影响力排名前1%的ESI高被引论文2篇；其中发表高质量国际学术期刊论文33篇（包括IEEE Transactions系列论文28篇）。在该项目的培育下，项目负责人先后获得/入选：国家优秀青年科学基金资助（2018年）、IEEE计算智能学会杰出青年奖（2021年、全球唯一一位）、全球前2%顶尖科学家终身科学影响力榜单（2021年）、全球前2%顶尖科学家年度科学影响力榜单（2019、2020、2021年）、Elsevier中国高被引学者（2018、2019、2020、2021年）、省级自然科学二等奖（2020年）和广东省教育教学成果二等奖（2020年）。通过本项目，培养了研究生25人，其中毕业博士3人（分别为2021年毕业的陈宗淦，毕业论文《基于分布式进化计算的多解优化算法及其应用研究》获得ACM广州分会优秀博士学位论文奖，现任华南师范大学青年拔尖人才引进副教授；2020年毕业的张欣，现任江南大学任讲师；2020年毕业的赵宏，现任西安电子科技大学副教授）、毕业硕士4人、目前在读博士生7人、在读硕士生11人。