近日，我校能源化工过程智能制造教育部重点实验室钱锋院士团队在大规模优化领域取得最新进展，相关研究成果发表在计算机科学与人工智能领域顶刊IEEE Transactions on Evolutionary Computation (DOI: 10.1109/TEVC.2022.3218375)上。
在最优化研究领域，大规模全局优化指的是优化涉及数千维以上决策变量的优化问题，大规模优化问题广泛存在于生产调度等工业场景中。然而，超高的问题维度引起搜索空间成指数级扩展，导致算法的寻优性能急剧下降，这也是“维度灾难”现象。目前，基于分解的协同进化算法利用“分而治之”的思路，依据优化问题的可分性将高维问题分解成一系列低维子问题，这样就降低了求解难度。鉴于其在大规模优化问题上的出色表现，基于分解的协同进化算法目前已成为处理大规模全局优化的主流方法。
本研究工作针对当前基于分解的协同进化算法无法处理大规模非加性可分问题这一局限，开展了创新性的理论研究。首先，研究人员针对大规模优化问题的变量可分性进行了完备的理论分析，在加性可分的基础上提出了乘性可分、复合可分、强可分、弱可分等的精确数学定义，完善了变量可分性定义的完整性，并进一步提出了广义可分性识别原理——极小值点偏移原理。其次，基于该原理，设计了一种新的广义可分分组方法GSG (General Separability Grouping)。大量的实验结果表明，GSG可以高精度地分解大规模加性可分和非加性可分问题，极大地提升了基于分解的协同进化算法在大规模优化问题上的求解效率。本工作也为后续实际工业过程调度优化等大规模优化问题的求解提供了理论基础和算法支撑。
本论文第一作者为我校信息学院硕士研究生陈旻扬，通讯作者为信息学院青年教师堵威副教授。研究工作得到了欧洲科学院院士金耀初教授、美国俄克拉荷马州立大学Gary G. Yen教授和我校唐漾教授的悉心指导。研究工作受到了国家自然科学基金基础科学中心、上海市前沿科学研究基地、上海市青年科技启明星等项目资助。值得指出的是，IEEE Transactions on Evolutionary Computation是计算机科学与人工智能领域排名前3的顶级期刊，最新影响因子为16.497，本项工作也是我校信息学院自动化系自去年以来在该刊物发表创新工作后的又一项成果。