1    .课题来源与背景： 本项目研究的多目标优化是计算智能的核心问题，得到了国家和省市的支持（有6个国家自然科学基金项目及5个广东省自然科学基金项目和1项广东省产学研结合项目和1项广州市产学研协同创新重大项目）。多目标优化广泛存在于无线网络规划，资源调度和数据挖掘中，具有重要的实际应用背景。鉴于多目标优化在交通、化工、控制、企业管理和国防等方面具有广泛的应用，同时多目标优化又是一个极具挑战的科学问题，吸引了大批计算机、数学等领域的学者专家进行研究，具有重要的科学意义。目前，在国内外顶级期刊《IEEE Transactions on Evolutionary Computation》，《IEEE Transactions on Cybernetics》，《Evolutionary Computation》《中国科学：信息科学》等杂志上有大量相关研究成果，是人工智能研究领域一个重要的研究主题。本项目积累了大量原创性理论与应用研究成果，发表50多篇论文，其中SCI论文30余篇。代表性论文被多个国家和地区的同行共计他引536次，其中SCI他引435次。

    2.研究目的与意义： 通常，多目标优化问题不存在单一最优解使多目标优化问题的所有目标同时达到最优，从而多目标优化问题的解是一组解。进化算法基于群体的搜索策略在一次运行中能得到一组解，在多目标优化中取得了很大的成功。然而在许多实际问题中，由于有效界面各部分的求解难度不均衡，已有算法优先保证收敛性然后再考虑散布性的算法设计思想存在算法容易早熟的缺陷，而种群的散布性对启发式搜索算法具有至关重要的作用。如何保持种群散布性是一个至关重要的问题。因此，开发设计高效的多目标进化算法具有重要的现实意义和科学价值。

    3.主要论点与论据： 本项目经过多年研究发现“收敛性与散布性并举”原则对于求解某些复杂多目标优化问题具有非常优异的性能。基于此，本项目提出了一种新的算法框架。该框架的衍生和应用得到了广泛的研究，其成果包括首次提出不均衡多目标优化概念以及提出了计算资源自适应分配策略的基于分解的多目标优化算法。

    4.创见与创新： 科学发现点1及其创新性：代表性成果MOEA/D-M2M提出了一种种群分解的策略有效解决了已有算法优先保证收敛性然后再考虑散布性的算法设计思想带来的缺陷。把一个多目标优化问题分解成若干个相对简单多目标优化子问题，并以合作的方式求解这些子问题。该算法提供了一个灵活的多目标优化问题算法设计框架，在该框架中便于吸取各种选择算子的优点设计新的高效算法，为进化多目标最优化算法提供了一个新的研究思路。 科学发现点2及其创新性：代表性成果MOEA/D-AM2M基于MOEA/D-M2M算法框架提出了一种自适应种群分解策略。针对具有复杂前沿界面的多目标优化问题，通过周期性的调整区域的划分并根据当前解给出有效界面的一个有效估计，通过自适应地分配计算资源提高算法的效率。 科学发现点3及其创新性：代表性成果3首次提出不均衡多目标优化概念，从理论上分析了造成不均衡多目标优化问题的因素和求解困难的原因，以及求解这类算法的设计思想。 科学发现点4及其创新性：代表性成果4和5提出了计算资源自适应分配策略的基于分解的多目标优化算法，通过自适应设计权重向量和调整子问题之间的协作范围有效平衡算法的收敛性和散布性。

    5.社会经济效益，存在的问题： 本项目的研究在无线网络规划和资源调度中得到了成功应用，该研究成果提高了无线通信网络的频谱、能源效率，提高网络的服务质量；降低网络的建设、使用和维护成本，提高了经济效益，具有重要的社会效应和经济价值。

    6. 历年获奖情况： [1] 国际会议最佳论文奖, SEAL'2017, 2017(Fangqing Gu; Yiu-ming Cheung*; Hai-Lin Liu). [2] 2018年全球计算智能大会WCCI'2018 多目标优化竞赛冠军, WCCI2018, 2018(Jiawei Yuan; Hai-Lin Liu*; Fangqing Gu). [3] 2020年全球计算智能大会WCCI'2020 约束多目标优化竞赛冠军, WCCI'2020, 2020(Jiawe Yuan; Hai-Lin Liu*; Yew-Soon Ong; Yaqi Pang; Zhaoshui He)