2026年6月5日，船舶与海洋工程学院船舶结构力学与优化设计研究所程远胜教授团队再次在进化计算领域顶级期刊《IEEE Transactions on Evolutionary Computation （IEEE TEVC）》上在线发表题为“An Efficient Cooperative Co-Evolutionary Multitask Optimization Framework for Large-Scale Optimization”（一种高效求解大规模优化问题的协同进化多任务优化框架）的学术论文。这篇以我校为论文第一署名单位，2023级博士生李世强为第一作者，程远胜教授为论文的唯一通讯作者，刘均教授为共同作者的论文，是研究团队继2024年正式在IEEE TEVC上发表题为“Bi-Population Enhanced Cooperative Differential Evolution for Constrained Large-Scale Optimization Problems”（求解大规模约束优化问题的双种群增强协同差分进化算法）学术论文（我校为论文第一署名单位，2019级博士生江璞玉为第一作者，程远胜教授为论文的唯一通讯作者，刘均教授为共同作者）后的又一力作。IEEE TEVC 是进化计算顶级期刊之一，属中科院一区Top，最新影响因子为12.0，CiteScore排名计算机理论方法第2，JIF排名计算机理论方法第4。
大规模优化问题指的是涉及成百数千维决策变量的优化问题，其广泛存在于复杂系统以及大型工程装备优化设计的场景中，具有高复杂度、高维度以及函数解析式不可知等特点，带来设计空间体积巨大，算法搜索困难等难点。目前，基于分解的协同进化算法利用“分而治之”的思想，将大规模问题分解成一系列低维子问题进行求解，是目前求解大规模优化问题的主流方法之一。程远胜教授团队针对当前基于分解的协同进化算法无法充分利用分解后各子问题之间相似性的局限，创新性地提出将分解后的子问题视为不同的多任务，将协同进化框架与进化多任务优化范式相结合，充分利用各子问题之间的相似性，提出了一种用于解决大规模优化问题的协同进化多任务优化（CCMTO）框架。
为提升优化效率，在此框架基础上，提出了多任务优化问题的构建策略以及基于实时贡献度的多任务优化问题及子任务的资源分配策略。该研究还提出了一种采用动态距离阈值和自适应精英采样的知识引导外部采样多任务进化策略（MTES-DAKG）。所提出的算法在29个大规模优化基准测试函数上进行了验证，实验结果表明该算法与现有先进的大规模优化算法相比具有显著优势，能以较少计算资源获得极具竞争力的优化解。
