The structural network control principle for identifying personalized drug targets (SNCPDTs) is a kind of constrained multiobjective optimization (CMO) problem with NP-hard features, which makes traditional mathematical methods difficult to adopt. Therefore, this study designs a knowledge-embedded multitasking constrained multiobjective evolutionary algorithm (KMCEA) to solve the SNCPDTs by mining relevant knowledge. Specifically, the relationships between two optimization objectives (minimizing the number of driver nodes and maximizing prior-known drug-target information) and constraints (guaranteeing network control) are analyzed from the perspective of CMO. We find that two objectives are difficult to optimize; thus two single-objective auxiliary tasks are created to optimize two objectives respectively, so as to maintain diversity along the Pareto front. Furthermore, we find that two optimization objectives have a complex reverse relation and a simple positive relation with constraints, respectively; thus, a population initialization method and a local auxiliary task are designed for two single-objective auxiliary tasks, respectively, so as to improve the performance of the algorithm on two objective functions. Finally, KMCEA is used to solve two kinds of models with three kinds of datasets. Compared with various methods, KMCEA can not only effectively discover clinical combinatorial drugs but also better solve the SNCPDTs regarding convergence and diversity.

Identifying the biomarkers from the personalized gene interaction network of individual patients is important for disease diagnosis. However, existing methods not only ignore the prior biomarkers for practical use but also ignore the observability of the entire system. Therefore, this paper proposes a new constrained multi-objective optimization-based temporal network observability model (CMTNO) to identify biomarkers, which not only requires minimizing the number of selected nodes including ordinary nodes and prior nodes (the first optimization objective) but also maximizing the number of selected prior nodes (the second optimization objective) on the premise of ensuring network observability (the constraint condition). Considering the temporal feature of cancer (patients belong to different stages and each patient contains one task), an experience learning-based constrained multi-objective evolutionary algorithm is designed to solve the CMTNO problems. The selected probabilities of ordinary nodes and prior nodes are treated as experience, stored in two separate archives and updated by the optimal solutions on each task. Experience utilization refers to using two archives to generate new initial populations for new patients, in order to improve the optimization efficiency of the algorithm. Besides, a two-step neighbor-based connectivity method is proposed to distinguish different nodes with similar connectivity to further improve the effectiveness of archives. The proposed model and algorithm are evaluated on three kinds of cancer patients' data under two kinds of network models, and results show their effectiveness in identifying effective biomarkers.

Constrained multi-objective optimization problems (CMOPs) pose a significant challenge due to the presence of multiple conflicting objective functions requiring optimization, alongside numerous complex constraints that must be satisfied. When employing evolutionary algorithms (EAs) to address such problems, it is imperative to simultaneously consider the diversity, convergence, and feasibility of the population. To address this concern, this paper introduces a differential evolution algorithm based on dynamic learning exemplars, named DESDE, wherein the selection of learning exemplars for each individual is determined through evolutionary algebra. Specifically, to generate offspring with diversity, individuals have a plethora of learning exemplars to choose from during the early stage of evolution, thus more promising regions can be explored. Moreover, to expedite population convergence in the later stage, only individuals with superior performance are chosen as learning exemplars. The experimental results, obtained from evaluating the algorithm on 29 test problems alongside five classic constrained multi-objective evolutionary algorithms (CMOEAs), demonstrate the high competitiveness of the proposed method.

Evolutionary multitask optimization (EMTO) can solve multiple tasks simultaneously by leveraging the relevant information between tasks, but existing EMTO algorithms do not take into account the fact that almost all problems in the real world contain constraints. To address this dilemma, this article studies a local knowledge transfer-based evolutionary algorithm for constrained multitask optimization. To be specific, each task population is divided into multiple niches to enhance the diversity and control the intensity of knowledge transfer, thus avoiding excessive transfer of knowledge. Then a new similarity judgment method based on the information feedback of pioneer individuals is developed to judge the similarity between tasks and whether to perform knowledge transfer. Furthermore, two different transfer methods: a direct transfer and a learning transfer, are devised to perform knowledge transfer among niches pertaining to different tasks. In addition, an excellent-information-guided mutation mechanism is proposed to prevent niches from getting trapped in local optima and to promote rapid convergence. The system experiment on 18 constrained multitask test instances and 2 real-world problems demonstrate that the proposed algorithm outperforms or is at least comparable to other EMTO algorithms and constrained single-objective optimization algorithms.