基于因果随机森林的进化约束优化

《Expert Systems with Applications》：Evolutionary constrained optimization based on causal random forest

本文提出基于因果随机森林的进化约束优化算法，动态量化目标优化与约束满足的因果关联，结合自适应策略切换机制，有效解决传统方法依赖经验阈值问题。实验在CEC多基准测试中验证其性能显著优于现有方法。

　　

应汉红|梁思瑞|连家豪|梅贵珍|赵亮|徐玉婷|向毅|张浩|刘芳青|郝志峰

中国广州海事大学人工智能学院

摘要

约束优化问题是一类旨在在复杂约束条件下最大化或最小化目标函数的优化任务。进化算法被广泛用于解决这些问题，但约束优化问题固有的非线性、不连续性和受限可行区域带来了重大挑战，现有方法通常依赖于预定义的规则或经验阈值，这限制了它们的适应性和因果解释能力。为了克服这一限制，本研究提出了一种基于因果随机森林的进化约束优化算法，该算法利用因果随机森林来量化目标优化与约束满足之间的因果强度，从而以原则性和知情的方式指导进化搜索。此外，算法中还结合了一种动态自适应策略切换机制，以减少对经验阈值和固定规则的依赖，提高了算法在复杂和苛刻约束条件下的自适应能力。在CEC2006、CEC2010和CEC2017基准测试集上的大量实验结果表明，所提出的方法始终优于现有方法，凸显了其在处理约束优化问题方面的有效性和鲁棒性。

引言

约束优化问题（COPs）是指在满足特定约束的同时寻找目标函数最优解的数学问题。它们广泛应用于工程设计、资源规划和金融建模等实际场景（Deb, 2000; Huang, Feng, Huang, Chen, Hao, 2023; Liao, Hoang, Luo, 2025; Su, Huang, Li, Li, Hao, 2023; Wang, Li, Li, Wang, 2018a）。其数学形式通常定义如下：