7月19日，遗传与进化计算会议（GECCO）顺利召开，实验室的两位在读硕士研究生：吴滢、杨娜受邀参加并以线上形式于会议上宣读论文。

GECCO会议始办于1999，是ACM主办人工智能领域国际学术会议，属于CCF推荐国际重要学术会议, 是遗传与进化计算领域的最新高质量成果展示的重要途径。本次会议主题包括：遗传算法、遗传编程、蚁群优化和蜂群智能、复杂系统、 进化组合优化和元启发式算法、进化机器学习、进化多目标优化、进化数值优化、神经进化、现实应用、基于搜索的软件工程、理论、混合等。

在会议上，吴滢同学做题为 “Directed Quick Search Guided Evolutionary Algorithm for Large-scale Multi-objective Optimization Problems”的论文报告，论文中提出了一种算法， 即定向快速搜索引导的大规模多目标进化算法（QSLMOA）。该算法包含三个主要部分：基于方向向量的采样策略、 快速搜索引导的定向繁殖策略和环境选择。在每一代中，所提出的采样策略会确定一组方向解，以构建用于引导搜索方向的方向向量。 采样策略大大减少了搜索空间，提高了早期阶段的采样效率。另一方面，我们提出的繁殖策略引入了方向信息，在它们的帮助下， 组合群体中的劣势解可以迅速向精英解收敛，从而加快收敛速度。最后，采用精英非支配排序作为环境选择，获得下一代的父种群。 综合实验验证了在九个多达三个目标和 5000 个决策变量的大规模多目标基准问题 LSMOP1-LSMOP9 中，QSLMOA 与最先进的 LSMOEAs 相比表现最佳。

在本次会议中，杨娜同学做题为”A Hierarchical Clustering-based Cooperative Multi-population Many-objective Optimization Algorithm”的论文报告， 论文中提出了一种基于分层聚类的合作多种群超多目标优化算法（C2MP-MaOOA）。 具体而言，C2MP-MaOOA中提出了一种基于分层聚类的种群划分策略，使得无论帕累托前沿的形状如何，都能有效地优化其不同区域， 以维持种群多样性并加速收敛。任何单目标优化器都可以应用于C2MP-MaOOA中以优化子种群。为了全面评估C2MP-MaOOA的性能， 将其与八种现有的先进算法和C2MP-MaOOA的两个变体在DTLZ、MaF和WFG基准套件的63个超多目标问题实例上进行了比较。 结果表明，C2MP-MaOOA在每个基准套件上都具有最佳的综合性能，这证明C2MP-MaOOA求解超多目标优化问题具有相当的竞争力。