近日，我院葛方振教授课题组最新研究成果“Temporal distribution-based prediction strategy for dynamic multi-objective optimization assisted by GRU neural network”被中科院1区TOP期刊、中国计算机学会CCF推荐B类期刊《Information Sciences》正式录用，论文的正式版本目前已发布在Elsevier上（DOI：10.1016/j.ins.2023.119627）。

《Information Sciences》是信息管理系统领域的国际顶级期刊，该期刊由荷兰爱思唯尔（Elsevier）出版，主要发表关于智能系统和数据科学等领域的最新研究成果。该期刊2023年最新影响因子8.1，JCR分区Q1，中科院SCI期刊分区中为1区且被认定为信息系统领域的TOP期刊。

论文选题借助GRU神经网络和时序分布来研究动态多目标优化算法设计问题，是一项理论要求高、研究难度大的工作，团队的研究成果有望为动态多目标优化提供一个更广泛的可行性视角。

在动态多目标优化问题中，当检测到环境发生变化时，往往需要算法快速且准确地找到下一个环境的PS/PF。课题组之前的研究表明，历史环境变化的相似性在解决动态多目标优化问题时可以提供一个有效的动态表征。本文再一次挖掘种群的进化信息，认为种群的进化过程可以被认为是一个时间序列的变化过程。同时，时间序列的非平稳性也意味着分布特征可能不同。因此，本论文提出了一种基于时序分布的GRU神经网络辅助动态多目标优化算法（GTBP）。具体的算法框架如下：

论文首先利用改进的中心点来构建原始时间序列，对时间序列采用最大熵原理进行时序分布表征，从而获得差异最大化的K时序段；然后，利用双层GRU神经网络学习K段序列的知识；最后，将种群的流形和模型预测的中心点构成的个体与为增加种群多样性生成的随机个体组组成下一时刻的种群。

同时，论文将所提算法GTBP与四种具有竞争力的算法进行了对比，实验结果表明，算法GTBP处理动态多目标优化问题，具有明显的优势。

我院葛方振教授为该论文的通讯作者，计算机科学与技术学院2021级硕士研究生侯星为第一作者，淮北师范大学为第一完成单位。

论文链接：

https://www.sciencedirect.com/science/article/abs/pii/S0020025523012124

文图：葛方振 / 审核：王晶、肖建于