10月17日，电气和电子工程师协会期刊《进化计算》在线发表了船海学院船舶结构力学与优化设计研究所程远胜教授团队论文“Bi-Population Enhanced Cooperative Differential Evolution for Constrained Large-Scale Optimization Problems”（求解大规模约束优化问题的双种群增强协同差分进化算法）。我校为论文第一署名单位，2019级博士生江璞玉为第一作者，程远胜教授为论文的唯一通讯作者，刘均教授为共同作者。 《进化计算》期刊(IEEE transactions on evolutionary computation, 属中科院一区Top，影响因子14.3，CiteScore排名计算机理论方法第2，JIF排名计算机人工智能领域第6。
在进化算法研究领域，大规模优化问题指的是涉及成百上千维以上决策变量的优化问题，广泛存在于复杂系统以及大型工程装备优化设计的场景中。超高的维度使得设计空间体积随维数指数上升，算法性能急剧下降，产生所谓的“维数灾难”现象。合作协同进化算法通过将原始大规模优化问题分解为一系列低维子问题进行求解，缓解了维数灾难现象，成为求解大规模黑箱优化问题常用方法之一。
程远胜教授团队在研究中发现当引入约束条件到基于分解的方法中时，子问题的最优解可能会在演化过程中发生变化。因此，在合作协同进化中保持子问题种群的多样性至关重要。该研究提出了一种双种群增强的合作差分进化算法，根据特定策略，将一个子问题的种群分为局部和全局两个子种群并独立地进行进化，使用不同的差分变异算子单独生成后代，互不干扰。局部子种群旨在跟踪和改进先前的最优解，而全局子种群则试图找到和定位潜在的新的最优解。所提出的算法在12个约束大规模基准测试函数上进行了验证，实验结果表明与现有算法相比，它能提供极具竞争力的性能。在子问题维度较低时，所提出的双种群策略更为有效。
近2年，程远胜教授团队针对目标/约束计算耗时的昂贵大规模优化问题，还在《知识系统》(Knowledge-Based Systems, 中科院一区Top，影响因子8.8) 发表了论文“Cooperative Bayesian optimization with hybrid grouping strategy and sample transfer for expensive large-scale black-box problems”（使用混合分组策略及样本迁移的协同贝叶斯优化算法）。我校为论文第一署名单位，2019级博士生江璞玉为第一作者，刘均教授为论文的唯一通讯作者，程远胜教授为共同作者。该算法将贝叶斯优化以分解的方式扩展至求解昂贵大规模优化问题上并可以重复利用历史样本数据。
针对分解后的耗时低维子问题高效求解方法，程远胜教授团队还在《信息科学》(Information Sciences, 中科院一区Top，影响因子8.1) 发表了论文“An efficient constrained global optimization algorithm with a clustering-assisted multiobjective infill criterion using Gaussian process regression for expensive problems”（聚类辅助多目标采样的高效全局优化算法）。我校为论文第一署名单位，2019级博士生江璞玉为第一作者，刘均教授为论文的唯一通讯作者，程远胜教授和易家祥硕士为共同作者。
以及论文“An efficient global optimization algorithm for expensive constrained black-box problems by reducing candidate infilling region”（候选解采样空间缩减的高效全局优化算法）。我校为论文第一署名单位，2018级博士生曾勇为第一作者，刘均教授为论文的唯一通讯作者，程远胜教授为共同作者。
