管理学院李岸达副教授（通讯作者）在Computers & Industrial Engineering（管理科学领域知名期刊，SCI二区，影响因子7.9）发表题目为“A decomposition-based multi-objective particle swarm optimization algorithm with a local search strategy for key quality characteristic identification in production processes”。

 

                                                       论文观点

这篇文献提出了一种基于分解的多目标粒子群优化算法（MOPSO-LS），用于现代生产过程中关键质量特性（KQC）的识别。KQC的识别对于质量控制至关重要，因为它可以帮助企业建立有效的质量预测模型，从而提高产品质量和生产效率。

本文将KQC识别建模为多目标特征选择问题，目标是最大化几何平均（GM）和最小化选择的特性数量。其中GM可以在不平衡数据中更好地评估特性子集对产品质量的预测能力。

文章提出的MOPSO-LS模型结合了粒子群优化（PSO）和局部搜索策略，以提高搜索效率和性能。它采用切比雪夫分解方法来更新粒子的个人最佳位置，并引入额外的参考点来克服目标函数范围差异的问题。此外，局部搜索策略通过添加和删除特性来更新非支配集，从而进一步提高算法的收敛性能。模型分别在四个不平衡的生产数据集上运行，实验结果表明，MOPSO-LS可以有效地识别出数量较少且具有良好预测性能的KQC。与其他六种基准特征选择方法SFS、SBS、CMDPSOFS、NSPSOFS、IDMS-IPM、NSGAII-IPM相比，MOPSO-LS在预测性能和特征数量方面都取得了更好的结果。MOPSO-LS是一种有效且高效的KQC识别方法，可以帮助企业提高产品质量和生产效率。

                                                       

                                                      作者介绍

李岸达，天津商业大学管理学院副教授，人力资源管理系主任，新西兰惠灵顿维多利亚大学（Victoria University of Wellington, VUW）工程与计算机学院访问学者（2018年7月至12月），天津市工业工程学会理事，IEEE会员，中国优选法统筹法与经济数学研究会会员。2018年天津市“131”创新型人才培养工程第三层次人选，入选天津市高校“青年后备人才支持计划”。主持国家自然科学基金青年科学基金项目1项，主持教育部人文社会科学研究青年基金项目1项。主要研究领域为：质量工程与质量管理、进化计算和特征选择算法等。在 “系统工程理论与实践”, European Journal of Operational Research, Information Sciences, Applied Soft Computing, Computers & Industrial Engineering, Quality and Reliability Engineering International等国内外期刊发表十余篇论文。担任多个国际期刊审稿人。