近日，我院复杂图像处理与理解团队成员张茂清博士在国际高水平学术期刊Information Sciences（中科院一区Top, IF=8.1）上发表了题为“A Pearson correlation-based adaptive variable grouping method for large-scale multi-objective optimization”（DOI: 10.1016/j.ins.2023.02.055）的研究论文，该成果是解决大规模多目标优化问题的阶段性成果，河南工业大学人工智能与大数据学院为第一署名单位，复杂图像处理与理解团队成员为共同作者。

传统大规模变量分组方法往往需要高昂的计算代价，并且在变量划分方面缺乏灵活性。为解决此问题，该成果创新性提出了一种基于皮尔逊相关系数的自适应变量分组方法。这种方法不仅不需要额外的计算资源，还能根据算法演化自适应地划分变量。所提出方法在包含最多5000个决策变量的测试集上进行了实验和分析。结果显示，所提出的基于皮尔逊相关系数的自适应变量分组方法明显优于现有的分组方法。该成果所提出的计算高效且灵活的变量分组解决方案，可为大规模多目标问题的解决提供新的研究思路。

期刊简介：《Information Sciences》人工智能领域的国际学术期刊，创刊于1994年，由Elsevier Inc.出版商出版，出版周期Semimonthly。该刊是计算机信息系统领域的国际顶级期刊，主要发表关于信息管理、数据科学、知识工程和智能系统等领域的最新研究成果，涉及工程、数学、统计学、物理学、计算机科学、细胞生物学、分子生物学、管理科学、认知科学、神经生物学、行为科学和生物化学等领域。该期刊被SSCI和SCIE检索，JCR分区Q1，2022年影响因子为8.1，在中科院SCI期刊分区中为1区且被认定为计算机科学领域TOP期刊。