​　　为积极服务学校“三大转型”建设，软件与物联网工程学院汪靖副教授团队深耕多目标优化算法研究前沿，近期取得系列重要进展。相关创新性成果于2024至2025年间，连续发表于《Expert Systems With Applications》《Applied Soft Computing》和《Information Sciences》(INS)等国际权威期刊，标志着团队在算法核心效能提升上实现了多维度突破，为复杂工程与科学计算问题提供了更高效的解决方案。

　　成果一：稳态机制提升算法效率与平衡性。2024年发表于《Expert Systems WithApplications》的研究《A stable-state multi-objective evolutionary algorithm based ondecomposition》提出了一种创新的基于分解的稳态多目标进化算法（MOEA/D-SS）。该算法通过动态调整邻域内替换个体数量，优化了匹配关系，显著减少了计算资源浪费；同时根据子问题难度自适应调整邻域大小，增强了算法在不同优化阶段的适应能力。MOEA/D-SS尤其在处理具有复杂帕累托前沿（PF）的问题时表现卓越，性能显著优于多个先进对比算法（如MOEA/D-AGR、MOEA/D-AWA），有效平衡了探索与开发能力，为复杂工程优化提供了有力的应用支撑。

　　成果二：无穷小方法优化权重向量分配。同年发表于《Applied SoftComputing》（的另一篇研究《A decomposition-based multi-objective evolutionary algorithm using infinitesimal method》提出了MOEA/D-DKS算法。该工作从数学中的“无穷小方法”汲取灵感，运用“分而治之”思想改进了权重向量的调整策略。针对具有复杂、不规则帕累托前沿结构的多目标优化问题，MOEA/D-DKS通过全局分解和特征分析，实现了权重向量分布的动态精细调整，从而大幅提升了计算资源的分配效率和算法的整体性能。在涵盖28个基准测试问题的严格验证中，MOEA/D-DKS在收敛性和多样性两项关键指标上均展现出显著优势，为处理现实世界中具有不规则PF的复杂优化问题提供了强有力的新工具。

　　成果三：强化学习赋能进化算法智能化。团队的最新成果《A novel multi-state reinforcement learning-based multi-objective evolutionary algorithm》于2025年发表于《Information Sciences》该研究开创性地将多状态强化学习（MRL）框架融入多目标进化算法，提出了MRL-MOEA。该算法旨在攻克种群多样性与收敛性难以平衡的核心难题。实验证明，在DTLZ、WFG等标准测试集上，特别是在3至10目标的高维复杂问题中，MRL-MOEA的性能显著超越现有先进算法。这项研究不仅为求解复杂优化问题提供了高效智能的新途径，也成功验证了强化学习与进化算法融合的巨大潜力。

　　汪靖副教授团队的系列研究成果，从稳态机制、权重向量动态优化到强化学习智能融合，形成了一条清晰的技术演进路线，在多目标优化算法的核心效能上实现了多维度显著提升，不仅具有重要的理论价值，也为应对实际工程和科学计算中的复杂优化挑战提供了更高效支持，有力服务了学校科研能力的提升与战略转型。

　　【延伸阅读】

《Expert Systems With Applications》（ESWA）、《Applied Soft Computing》（ASOC）和《Information Sciences》（INS）是计算机科学与人工智能领域国际公认的权威期刊，均被ACM和IEEE等国际顶级学术组织重点推荐，长期作为发布高水平研究成果的重要平台。在当前主流的学术评价体系中，这三本期刊均属于计算机科学大类一区（TOP期刊，前5%）（2024年数据），JCR影响因子分别为8.5（ESWA）、8.7（ASOC）和8.1（INS），均稳定位列Q1区（前25%），在全球具有广泛学术影响力。（图文/软件学院    编辑/范俊瑶    审核/一审 姜莹 二审 赵旻 终审 成亚林）