基于多偏好与变量分解的大规模高维目标优化方法及应用研究

Many real-world problems contain both many-objective and large-scale variables. For these large-scale many-objective optimization problems, this project would combine multiple preferences and variable decomposition within Evolutionary Multi-objective Optimization (EMO) to study EMO-based large-scale many-objective optimization method and its application. Firstly, in many-objective handling, the integration strategy that using multiple preferences to guide solution ranking and maintain population diversity is constructed. Secondly, in large-scale variables handling, an EMO-oriented variable decomposition and co-optimization method is proposed. Thirdly, a new individual evaluation method that isn't fully depend on fitness function values is proposed for Particle Swarm Optimizer (PSO). Finally, the new EMO method is applied in heterogeneous network clustering. The main contributions of this research are, utilizing multiple preferences to guide solution ranking and keep population diversity, proposing a variable decomposition for large-scale multi-objective optimization problem and providing new method for solving heterogeneous network clustering and other real-world problems. This research would provide new thinking for solving complex multi-objective optimization problem, and make other researchers have a better understanding on solving large-scale many-objective optimization problems using multiple preferences and variable decomposition.

许多实际应用问题往往同时含有高维目标和大规模变量。针对这类大规模高维目标优化问题，本项目立意将多偏好、变量分解与进化多目标优化相结合，对大规模高维目标优化问题的进化优化方法及其应用进行系统深入的研究。高维目标处理上，构建利用多偏好来同时指导解集排序和维持种群多样性的整体策略；大规模变量处理上，提出面向进化多目标优化的变量分解及协同优化方法；高效进化算法上，以粒子群优化算法为对象，建立不完全依赖于适应度函数值的新个体评价机制及其融合方法；方法应用上，研究新型多目标优化方法在大规模物流网络优化中的应用。本项目的创新之处在于，利用多偏好来同时指导解集排序和维持种群多样性，提出面向大规模多目标优化问题关联变量的识别方法，为大规模物流网络优化等实际应用问题提供新方法。项目的研究将为复杂多目标优化问题的求解提供新的思路，让研究同行对利用多偏好引导和变量分解来解决大规模高维目标优化问题有更深入和更全面的认识。

项目针对多偏好以及变量分解的大规模高维目标优化问题，拟定研究路线，循序渐进地从多偏好引导、高维目标优化和大规模变量分解三个方面进行重点研究，解决了若干实际应用问题。在多偏好引导上，研究了多个偏好与种群的协同进化关系，提出了基于多偏好的混合支配策略，将候选解的距离信息融入到适应值赋值法中，降低处于同一适应值的非支配解比例以增加选择压力。在高维目标优化上，提出偏好向量生成策略，利用偏好信息将目标空间中的权重向量转化为偏好向量，消除参考点位置对算法收敛性的影响；在分解算法的框架下引入自适应调整策略，以子问题邻域设置和PBI惩罚参数为切入点，实现对不同子问题的动态优化。在大规模变量分解上，深入挖掘决策变量间内在的关联信息，提出关联变量分组策略，在保留变量关联性的同时尽可能地减少分组后各组间的依赖性，有效提升算法对大规模变量优化问题的处理效果。在应用研究上，将所提方法应用于求解多视图网络聚类问题，设计双层模糊加权多视图聚类方法并建立数学模型，为复杂网络聚类等实际应用问题提供新思路。本项目还研究了高维目标优化及大规模变量优化中的若干关键问题，所提方法已被用于解决供应链管理、通信网络功率控制、图像处理等实际优化问题，具有较强的科学意义和广泛的应用价值。