创新性：现有研究针对单目标或多目标问题提出了相应的演化顺序迁移优化算法，但忽略了单目标，多目标，以及超多目标问题的内在一致性。由于算法的特化性，现有方法无法实现不同目标问题间的有效知识迁移。本研究通过决策变量分析，统一了单目标，多目标，以及超多目标问题的优化求解和问题迁移方法设计。特别地，单目标问题被视为仅包含收敛型变量的问题，而多目标和超多目标问题被视为包含收敛型变量和多样型变量的问题。基于此，本文分别提出了针对这两种变量迁移优化算法，实现了目标异构问题间的顺序知识迁移。

中文摘要：演化顺序迁移优化可有效利用过往的优化经验来加速新问题的求解，因此近年来受到了越来越多的研究关注。然而，现有的方法仅适用于源任务与目标任务的优化目标数相匹配的问题，即目标同构问题。鉴于此，本文致力于解决目标异构问题，即实现单目标、多目标以及超多目标问题间的知识迁移，有效拓宽迁移算法的应用范围。在目标异构问题中，由于源任务和目标任务之间搜索空间以及目标空间的差异性，现有方法无法实现有效的知识迁移。为了解决这一问题，本文提出了一个基于决策变量分析的迁移优化算法。首先，根据决策变量属性的不同，将单目标问题的变量视为收敛型变量，将多目标问题和超多目标问题的变量分解为收敛型变量与多样型变量。随后，针对收敛型变量的特点提出了一个收敛性迁移算法来实现新问题上的收敛加速。该算法通过校准源任务和目标任务的解分布与适应度秩分布，有效提高了任务间的适应度秩方面的一致性，从而增强了可迁移性。此外，针对多样型变量的特点提出了一个多样性迁移算法来改善新问题上多样性变量的分布状况。通过在基准测试问题与一个实际应用上的实验研究，证实了所提出算法在目标异构问题上的有效性。

IEEE Transactions on Evolutionary Computation刊发演化计算领域的原创高水平成果，具体方向包括生物启发计算，基于种群的算法，基于选择与变异的优化搜索，以及基于上述方法的整合性算法。该期刊最新影响因子为11.554，近3年平均影响因子为10.410，JCR分区为Q1区，中科院计算机科学大类1区。

文章链接：

https://doi.org/10.1109/TEVC.2021.3133874

引用格式：

Xue X, Yang C, Hu Y, Zhang K, Cheung Y.M, Song L, and Tan K.C. Evolutionary Sequential Transfer Optimization for Objective-Heterogeneous Problems [J]. IEEE Transactions on Evolutionary Computation, 2021, Accepted.