日前，由安徽大學張興義教授和田野博士、南方科技大學程然博士以及西湖大學可信及通用人工智能實驗室主任金耀初教授編寫的專著《Evolutionary Large-Scale Multi-Objective Optimization and Applications》由Wiley-IEEE出版社出版。該專著凝聚了作者在大規模多目標進化優化領域近十年的研究成果，同時也是該領域的首部專著。
專著網址：
進化計算經歷了三十余年的快速發展，在多目標優化領域取得了令人矚目的性能優勢。然而在大規模多目標優化這一更加現實且更具體挑戰性的難題上，進化算法因遭遇“維數災難”現象性能急劇下降。為此，包括該專著作者在內的一批學者在近十年提出了解決大規模多目標優化問題的新型進化優化思想，顯著增強了進化算法在大規模多目標優化問題上的性能和效率。該專著詳細介紹了大規模多目標優化的基本概念、問題定義和度量方法，并重點描述了近十年具有代表性的大規模多目標進化算法的設計思路和具體流程，同時闡述了大規模多目標進化優化技術在智慧物流、智能電網、智慧醫療等領域的重點應用。
該專著共分九章，具體如下：
第一章介紹大規模多目標優化的基本概念，包括問題背景、問題定義和多目標進化算法基本思想。
第二章介紹大規模多目標優化的度量方法，包括基準測試問題和性能指標的詳細定義。
第三章詳細描述四個代表性大規模多目標進化算法，包括基于變量隨機分組、變量聚類、問題重構和競爭粒子群的進化算法。
第四章詳細描述三個代表性稀疏大規模多目標進化算法，包括基于雙層編碼、機器學習輔助和數據挖掘輔助的進化算法。
第五章介紹大規模多目標進化優化在社團檢測任務上的應用，包括優化模型、面向社團檢測的降維進化算法和并行進化算法。
第六章介紹大規模多目標進化優化在智慧物流中的應用，包括面向有容量約束車輛路徑的進化算法和面向不確定環境下設施選址的進化算法。
第七章介紹大規模多目標進化優化在電壓互感器檢測任務上的應用，包括問題背景、優化模型和電壓互感器檢測知識驅動的協同進化算法。
第八章介紹大規模多目標進化優化在放射治療任務上的應用，包括問題挑戰、優化模型和基于雙粒度編碼的協同進化算法。
最后，第九章介紹大規模多目標進化優化在深度學習中的應用，包括面向深度神經網絡訓練的梯度引導進化算法和面向神經結構搜索的動作命令編碼進化算法。
該專著作者張興義教授、程然博士、田野博士和金耀初教授長期從事進化計算尤其是大規模多目標進化優化領域的研究工作。他們發表的大規模多目標進化優化論文《A decision variable clustering-based evolutionary algorithm for large-scale many-objective optimization》曾獲進化計算領域旗艦期刊IEEE Transactions on Evolutionary Computation的年度唯一杰出論文獎，同時他們也發表了大規模多目標進化優化領域的ESI高被引綜述論文《Evolutionary large-scale multi-objective optimization: A survey》。更值得一提的是，他們開發了進化優化領域的開源平臺PlatEMO，目前擁有200多個代表性進化算法以及500多個代表性優化問題，包含該專著介紹的絕大部分算法、問題和性能指標的開源代碼。
評論 0