本项目来源于国家自然科学基金杰出青年基金项目。

    现实世界中存在着大量优化问题，进化计算已逐渐成为解决复杂优化问题的重要途径。然而进化计算在描述其进化过程的理论研究仍相对匮乏，在动态时变的优化问题时算法的效率仍存在不足，因此进化计算的理论与应用发展仍存在重大的挑战。围绕这一国际前沿热点，本课题开展进化计算的理论与应用研究，取得的主要成果包括：

   1. 在进化计算的收敛过程与理论研究方面，提出了基于种群分布特性分析进化计算收敛过程特点的方法，为描述算法的收敛过程提供了依据；提出了将生物界的进化衰老理论与进化计算相结合的方法，从新的角度解释了进化计算的搜索多样性问题并提高了算法的效率；在资源约束优化领域提出了基于对偶点的编码新策略，在多目标优化领域提出多种群及保存多层档案的新型进化计算方法，提高了进化计算求解相应问题的优化效率和求解精度。

   2.在基于机器学习技术的进化计算方法与框架研究方面，结合机器学习技术及进化计算的收敛过程状态，建立了基于机器学习技术的进化计算方法框架，实现了对粒子群优化、 差分进化计算等多种进化计算方法的参数与执行策略自适应，有效地提高了算法的效率。

   3. 在进化计算的应用研究方面，基于进化计算理论研究成果，将进化计算方法应用于物联网、功率电路、网络设计和软件工程管理等实际优化问题，提高了相关问题的求解性能。

   围绕本课题的研究工作，课题组共发表ACM或IEEE Trans.系列国际期刊论文17篇，其他国际期刊和国际会议论文51篇，申请国家发明专利12项。课题共培养研究生取得学位20人，其中博士生1人获得了IEEE计算智能学会优秀博士学位论文，2人获得了中国计算机学会CCF优秀博士学位论文奖。借助本课题承办了IEEE暑期学校等多项国际学术活动，并协助成立了ACM广州分会，促进了国际交流，为进一步开展国际学术合作奠定基础。