近日，西北农林科技大学理学院党乾龙副教授以第一作者身份分别在《IEEE Transactions on Evolutionary Computation（IEEE TEVC）》和《IEEE Computational Intelligence Magazine（IEEE  CIM）》上发表题为“Data-Driven Evolutionary Algorithm Based on Inductive Graph Neural Networks for Multimodal Multi-Objective Optimization”和“Transformer-Based  Intelligent  Prediction  Model  for  Multimodal Multi-Objective Optimization”的研究成果。据悉，这是我校首次以第一单位在IEEE TEVC和IEEE CIM期刊上发表论文。

第一篇论文设计了一种基于欧几里德距离的图拓扑构造方法。它通过计算决策空间中个体的欧几里德距离来确定邻域，并建立拓扑关系来构建表示种群分布的图。在此基础上，构建了一个基于归纳图神经网络的模型来辅助后代生成，该模型可以通过采样和聚合现有信息来学习未知节点。此外，提出了一种数据驱动的生成策略来预测具有良好多样性和收敛性的后代，该策略使用传统的变异算子生成训练数据，并采用这些数据来训练模型。所提出的方法具有优异的性能。

图1 基于归纳图神经网络的算法框架

第二篇论文构建了一个基于Transformer的预测模型，通过捕捉相邻世代种群分布的变化来生成有前途的后代。此外，许多算法只关注全局帕累托最优解集（PS），而忽略了局部PS。虽然局部PS在目标值方面不如全局PS，但在某些实际应用中获得全局PS的成本是巨大的。全局PS目标相似的局部PS是决策者可接受的替代方案，为档案更新设计了一种基于差异的注意力机制，通过计算注意力值将解决方案保存在全局PS和局部PS上。本文提出的方法达到了国际领先水平。

图2 基于Transformer的预测模型

IEEE TEVC 和IEEE CIM 是计算智能领域顶尖期刊，年发文量分别是80篇和20篇左右，影响因子分别为11.7和10.3，都是中国人工智能协会（CAAI）推荐的A类期刊，以发表计算智能领域新发现、重要理论和重大应用而受到全世界人工智能领域研究学者的尊重。

该研究得到中国博士后面上项目（2024M762632）、陕西省自然科学基金（2024JC-YBQN-0687）和陕西省社会科学基金（2024R027）的联合资助。

论文1链接：https://ieeexplore.ieee.org/document/10879459

论文2链接：https://ieeexplore.ieee.org/document/10844371