In principle, evolutionary computation can be applied to all optimization and learning problems such as the optimization of high-speed train shape design (Shinkansen), the optimization of airplane shape design, and the structure optimization of deep learning neural networks. Multi-objective evolutionary computation is a class of optimization algorithms designed for the handling of multiple conflicting objectives (e.g., the performance maximization and the cost minimization when you choose a computer). There are a lot of interesting research topics in multi-objective evolutionary computation. We welcome enthusiastic researchers who are interested in multi-objective evolutionary computation to join us!
现实生活中，我们常常面对各种各样的优化问题。很多时候，这些问题存在着多个目标需要同时被满足，并且这些目标是相互矛盾的。举个例子，假设今天你要买一部电脑。市场上有那么多不同品牌，不同价格，不同设计，不同性能的电脑。那你该如何做选择呢？这时其实你是在解决多目标优化问题。你考虑的目标可能是以最实惠的价格买到一部性能最好且符合你审美标准的电脑。也许，你并不在乎电脑的外观设计和品牌，那你的目标就是以最实惠的价格买到一部性能最好的电脑。也即是以最小化的价格购得性能最大化的电脑。然而，价格最小化和电脑性能最大化这两个目标是相互矛盾的。因此，你不可能同时最优化这两个目标。在这种情况下，你只能寻求折衷解了。多目标优化问题的目的就是求解这些折衷解，以提供决策者在这些选项中做出最优的选择。
我们的课题组最主要的研究领域是多目标优化进化算法。原则上，进化算法可以被使用在所有优化问题和学习问题上。例如，日本新干线高速动车形状设计的优化，飞机形状设计的优化，深度学习网络架构优化等问题。这些实际问题往往都是多目标优化问题。多目标优化进化算法是其中一种用来求解多目标优化问题的优化算法。目前多目标优化进化算法在求解多目标问题上有很多有趣的研究课题值得我们去探究。如果你对多目标优化进化算法这个研究领域感兴趣，欢迎你加入我们！