进化迁移优化（Evolutionary Transfer Optimization，ETO）是一种集成传统求解器和跨域知识学习与迁移的优化算法设计范式。由于能够获得更好的优化效率及性能，近年来正获得更多的关注。近来，我院江敏教授团队在此领域连续发表多项重要研究成果：
1、Knee Points based Imbalanced Transfer Learning for Dynamic Multi-objective Optimization（IEEE Transactions on Evolutionary Computation， IF 11.169， Computer Science Theory Methods: 2/108; Computer Science/Artificial Intelligence: 3/136）
针对在迁移过程中大量低质量解占用过多计算资源，从而使得求解速度和性能下降的问题，提出基于knee点迁移策略与不均衡学习相结合的解决方案。该方法在多个测试集上取得了优异表现。
https://ieeexplore.ieee.org/document/9122031
2、A Fast Dynamic Evolutionary Multiobjective Algorithm via Manifold Transfer Learning（IEEE Transactions on Cybernetics， IF 11.079，Automation & Control Systems：1/63； Computer Science/Artificial Intelligence: 5/136 ）
提出使用流形迁移与精英机制相结合的方式，在动态优化环境下，预测适应未来时刻的初始种群，从而在保持求解精度的同时，极大提升求解速度。
https://ieeexplore.ieee.org/document/9097186
3、Individual-Based Transfer Learning for Dynamic Multiobjective Optimization（IEEE Transactions on Cybernetics， IF 11.079，Automation & Control Systems：1/63； Computer Science/Artificial Intelligence: 5/136）
为有效降低迁移过程中负迁移发生的可能性，提出一种预搜索与个体迁移学习相结合的动态多目标优化算法。通过不同的实验证明，该方法能够有效降低迁移过程中发生的负迁移现象，进而提升优化速度与质量。
https://ieeexplore.ieee.org/document/9199822