管理学院李岸达副教授以第一作者身份在国际期刊International Journal of Production Research在线发表题为“An evolutionary multi-objective ensemble learning algorithm for quality prediction in complex manufacturing processes”的研究论文。该刊是生产与运作管理、工业工程领域的重要国际期刊，获英国Academic Journal Guide（AJG）3星评级（ABS 3）。论文合作者包括我校2024级企业管理专业硕士研究生王洁、管理学院张阳教授、魏可可博士、王庆教授（通讯作者），以及天津大学管理与经济学部何桢教授。

论文原文： https://doi.org/10.1080/00207543.2026.2718791

论文观点

在复杂制造过程中，产品质量往往难以通过直接检测快速、低成本地获取。与此同时，制造过程通常涉及大量过程变量及复杂的变量交互和跨阶段关联，而在新产品生产初期、小批量定制等场景中，可用于模型训练的标注样本又相对有限。如何在高维、小样本和复杂变量关系并存的条件下构建准确、高效且具有一定可解释性的质量预测模型，是复杂制造过程质量控制面临的重要问题。

针对这一问题，论文提出了一种面向复杂制造过程质量预测的进化多目标集成学习算法EMEL-NB。该方法采用两阶段模型构建机制。第一阶段将多目标进化特征选择与受Boosting启发的样本权重调整策略相结合，在不同特征子空间上构建朴素贝叶斯基学习器，并通过动态调整样本权重，使后续学习过程更加关注难以正确分类的样本，从特征空间和样本空间两个层面增强基学习器之间的互补性。

第二阶段采用L1正则化逻辑回归对候选基学习器进行稀疏选择和组合。同时，论文提出知识迁移策略，将特征选择过程中通过内部交叉验证获得的评估信息用于集成模型构建，避免直接重复利用训练集预测结果，从而降低集成权重学习中的过拟合风险，提高模型的泛化能力。

论文在四个真实复杂制造过程数据集上进行了验证，并与13种代表性方法进行比较。结果表明，EMEL-NB在平衡准确率、G-mean和F1等综合指标上表现突出，同时保持较低的在线预测开销，体现出较好的预测性能与计算效率。

此外，该方法能够结合基学习器的特征使用情况和集成权重，对过程变量的重要性进行量化，为识别影响产品质量的关键过程变量提供依据。总体而言，该研究为高维、小样本复杂制造场景下的质量预测与质量控制提供了一种兼顾预测性能、计算效率和模型解释能力的新方法。

作者介绍

李岸达，天津商业大学管理学院副教授，天商青年学者，曾赴新西兰惠灵顿维多利亚大学工程与计算机学院访学。主要从事质量工程与质量管理、进化计算、特征选择及智能质量预测等领域研究。入选首批天津市青年社科人才培育计划、天津市“131”创新型人才培养工程第三层次及天津市高校“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、教育部人文社会科学研究青年基金项目和天津市哲学社会科学规划项目。在《系统工程理论与实践》、European Journal of Operational Research、International Journal of Production Research、Information Sciences、Applied Soft Computing、Computers & Industrial Engineering等国内外期刊发表论文30余篇。