梁子民

人与自然和谐，人人温饱健康，人人个性教育。

一句话概括：我研究多目标优化器在困难搜索空间中应如何保留、丢弃、重新访问和生成解——从工厂调度到组建大模型智能体团队都存在这类问题——并发现简单的选择往往更合适。

多数多目标演化算法建立在一个合理直觉上：保护目前找到的最佳解。这个直觉通常正确，却并非完整答案。在崎岖或具有欺骗性的景观上，过强的保留机制可能困住搜索，使其不断利用一个局部看来不错、实际上无路可走的区域。

这条研究线索要解决的问题，是如何保留精英机制与外部档案中有用的部分，同时让搜索拥有足够自由去摆脱陷阱。

设计问题

在多目标问题中，算法会维护一个种群或由折中解组成的外部档案。每一代都必须回答：

哪些解应该被允许影响未来的搜索？

这个问题有多种具体形式：

  • 如果旧种群当前质量较好，是否应始终保留？
  • 较差的解是否有时也应存活，因为它们可能通向更好的区域？
  • 外部档案应该只负责记录，还是也应主动参与生成新解？
  • 局部搜索应该依次扫描邻域，还是随机抽样？

我通过实验与形式化证明两种方式研究这些问题。

非精英多目标演化算法

自 1990 年代末以来，精英机制几乎成为默认做法：从旧解和新解中共同选择下一代，以免丢失好解。在 GECCO 2023 中，我们研究了主动移除这一机制会怎样。

所得到的非精英 MOEA 完全丢弃旧种群，仅由亲本选择提供选择压力。研究目的不是证明精英机制有害，而是说明算法设计空间比标准模板更宽。在多个崎岖的组合优化问题上，这个简单的非精英算法能够与 NSGA-II、SMS-EMOA 和 NSGA-III 等成熟精英算法竞争。

核心认识是：保留并不等于进步。种群可以保存高质量解，却处在非常不利于下一步搜索的位置。

随机更新与外部档案

随机种群更新允许一部分较差解随机存活。这能帮助算法跳出局部最优，但也可能丢失真正的好解。

在 IJCAI 2025 中，我们从理论上研究了这种张力。结果解释了为什么随机更新需要外部档案：档案保护目前找到的最佳解，随机种群则保留探索空间。二者结合后，较小的种群就可能足够，并显著改善期望运行时间。

原则很简单：随机性有价值，但应与记忆机制配合。

复用外部档案

外部档案通常只是被动记录搜索期间见过的非支配解。在 AAAI 2026 中，我们让它主动参与搜索：把存档解重新用于生成后代。

动机很直观。小种群因容量有限，可能不得不删除一个有前景的解。如果档案只负责保存，算法虽然记住了它，却再也不会使用；如果档案能够被复用，搜索就能返回那个有前景的区域。

理论分析表明，档案复用在基准问题上可以带来多项式级加速，甚至优于单纯扩大种群。

随机局部搜索

依次扫描邻域似乎最有效：每个邻居只检查一次，不重复，并在满足条件时停止。但这种直觉在多目标局部搜索中可能失效。

在 AAAI 2026 中，我们证明随机邻域抽样在一系列多目标问题上可以比系统扫描更快。原因来自“好邻居”在搜索过程中的分布：当有效移动以某种方式分布时，重复随机尝试的收益会超过系统扫描的管理开销。

这代表了我所关注的研究方式：先找出熟悉假设在何处失效，再解释结果背后的机制。

解耦探索与利用

以上工作都反复遇到同一种张力：种群既要利用已有好解，也要探索新区域，而最适合一个任务的解往往最不适合另一个任务。常规方法是调节单一种群，使其在二者之间妥协。

更直接的答案是不再妥协。双种群设计为两个角色分别设置种群：一个只保留最佳（非支配）解，负责利用；另一个完全忽略质量，只受简单的老化规则控制，让新近生成的解——包括具有探索价值的差解——存活足够长的时间。一个概率决定亲本来自哪个种群，因此探索强度可以被直接设置，而不必期待它从单一种群的动态中自然出现。在困难多峰问题上，这种解耦能够带来显著且可证明的加速。

下一步

极简算法的思路仍在产生新问题：如何把 SEMO 等简单优化器扩展到变长表示，以及如何让搜索步长自适应而非固定。这些工作仍在进行，成熟后会更新在此。

代表论文

完整记录请见论文发表页面。

  • Z. Liang, M. Li. Random is Faster than Systematic in Multi-Objective Local Search. AAAI, 2026. [PDF] [Code]
  • S. Ren, Z. Liang, M. Li, C. Qian. Not Just for Archiving: Provable Benefits of Reusing the Archive in Evolutionary Multi-objective Optimization. AAAI, 2026. [PDF] [Code]
  • S. Ren, Z. Liang, M. Li, C. Qian. A Theoretical Perspective on Why Stochastic Population Update Needs an Archive in Evolutionary Multi-objective Optimization. IJCAI, 2025. [PDF]
  • Z. Liang, M. Li, P. K. Lehre. Non-elitist Evolutionary Multi-objective Optimisation: Proof-of-principle Results. GECCO Companion, 2023. [PDF] [DOI]