面向大规模多目标优化的可扩放进化算法

Multi-Objective Evolutionary Algorithms (MOEAs) are one of the most commonly used approaches to Multi-objective Optimization Problems (MOPs), a class of hard optimization problems that widely exist in the real world. Scalability of MOEAs is of great significance to the application of MOEAs in practice. In the literature, the scalability of MOEAs with respect to the number of objectives has been intensively investigated in the context of Many Objective Problems (MaOP). However, the scalability of MOEA with respect to the number of decision variables has attracted very limited attentions. This project aims to investigate scalable MOEA for Large-Scale MOPs (LSMOP), i.e., MOPs with huge number of decision variables. Specifically, we will first establish a set of benchmark LSMOP test instances with a wide range of difficulties and design indicators for measuring the scalability of MOEAs, so that the scalability of existing MOEAs will be analyzed. Then, automatic problem decomposition and dimensionality reduction methods will be investigated for LSMOPs, together with novel MOEA frameworks that allow these modules to be implemented in parallel. On this basis, novel MOEAs will be developed. Finally, the developed MOEAs will be tailored to solve real-world LSMOPs in multi-objective machine learning. This project has great potentials to scale up EMO methods to challenging MOPs that are at least one magnitude larger. Thus, the research results are will be of great interest to academia from the algorithm development point of view and of significant benefit to many industries that involve LSMOPs.

多目标优化问题（MOP）是广泛存在于科研与应用领域的一类挑战性问题，多目标进化算法（MOEA）是目前求解MOP的主流方法之一。可扩放性（Scalability）是MOEA的重要性能指标，对MOEA的应用意义重大。目前，这方面的研究主要集中于MOEA对目标数的可扩放性，即超多目标问题（Many-Objective Problem），忽略了MOEA对决策变量数的可扩放性。本项目拟面向决策变量数多的MOP问题（Large-Scale MOP, LSMOP），研究可扩放的MOEA：构建MOEA对决策变量可扩放性的评价体系，分析现有MOEA的优势和不足，研究LSMOP的解空间约简方法及并行求解机制。在此基础上，设计可高效求解LSMOP的可扩放MOEA，并利用大规模机器学习问题验证新算法的有效性。通过深入研究LSMOP约简方法和可扩放MOEA的设计原理，本项目将为解决LSMOP提供新思路和新工具。

多目标优化问题(MOP)是广泛存在于科研与应用领域的一类挑战性问题，多目标进化算法(MOEA)是目前求解MOP的主流方法之一。可扩放性(Scalability)是MOEA的重要性能指标 ，对MOEA的应用意义重大。本项目面向决策变量数多的MOP问题(Large-Scale MOP, LSMOP)，从理论、算法与应用层面开展了可扩放多目标进化算法的研究。在基础理论层面，提出了MOEA时间复杂度的数学分析新方法，为理解和预测多目标进化算法的性能提供了手段，并采用该工具证明了多目标进化算法作为一种典型的并发搜索框架，在多目标子集选择问题上的理论优势。同时，通过在标准测试问题上的全面实验，揭示了问题规模（主要是决策变量数目）增加对现有主流多目标进化算法性能产生的各种影响，发现制约多目标进化算法可扩放性的主要原因在于：随着问题规模增大，现有算法的难以有效保持种群的多样性，并进一步设计了具有这种典型特点的测试问题集，完善了多目标进化算法可扩放性的分析与评价体系。在算法设计与应用方面，提出了基于代理模型的解空间约简方法以及在线构建代理模型的新技术，并行算法投资组合的构建方法，以及在目标空间的多样性保持机制，为设计可扩放的多目标进化算法提供了完善的部件。在此基础上，以连续多目标优化问题为对象，提出了DLS-MOEA算法，可扩放性显著优于当前最好算法。进一步，针对神经网络压缩/轻量化这一典型的多目标机器学习问题，首次提出了基于多目标进化算法的关键技术，并已在OPPO手机的实际需求中得到应用验证。本项目研究成果已发表SCI、EI论文26篇（其中IEEE Transactions论文7篇，CCF-A类会议论文12篇），培养毕业博士生7人、硕士生6人。