可以看看IEEE transactions on Evolutionary Computation，虽然不是专门多目标的期刊，但多目标优化的大神们会在上面发表文章，文章含金量很高。
IEEE transactions on Evolutionary Computation
IEEE Transactions on Cybernetics
Information Sciences - Journal - Elsevier
swarm evolutionary computation
Applied Soft Computing - Journal - Elsevier
Soft Computing - Springer
大概就这么多，从上往下选吧，。。。
外文期刊选择：
IEEE Transactions on Evolutionary Computation：
SCI Q1，难，中科院1区，平均4月，创新性要求较高。
Swarm and Evolutionary Computation：
SCI Q1，较难，中科院2区，平均6月，要有创新
Evolutionary Computation： (与多目标进化相关 直接pass)
SCI Q1，Q2，较易，中科院3区，平均3月，
Advances in Engineering Software： （与鲸鱼算法相关的文献较少）
SCI Q1，Q1，Q2，中科院2区，平均3月。
COMPUTERS & INDUSTRIAL ENGINEERING
SCI Q1，Q2,中科院2区，平均10月，录用率50%
Computer Methods in Applied Mechanics and Engineering
SCI Q1，中科院 1区 2区，平均3月，录用率20%（力学，应用数学）
Applied Intelligence
SCI Q1，中科院2区 3区，平均2月，较易（计算机，人工智能）
IEEE Access
SCI Q2，中科院3区，平均2月，预警
ENGINEERING STRUCTURES
SCI Q1，中科院 2区 3 区，平均3月，35%录用（工程应用）
Advances in Electrical and Computer Engineering
SCI Q4，中科院4区，平均2月，容易
Complex & Intelligent Systems
SCI Q2，中科院2区，计算机
Knowledge-based Systems
SCI Q1，中科院 1区，2区，平均7月，85%录用，审稿人多（计算机）
information Science
SCI Q1，中科院1区 2区，平均8月，22%录用，
Soft computing
Applied soft computing
国内期刊选择：
控制理论与应用
与智能优化算法相关的期刊论文有59篇。
控制与决策
195篇
工程科学学报
少，偏向工程应用
计算机学报
少，偏向网络问题，组合优化等
电子学报
多，研究改进的方法较多
模式识别和人工智能
44 + 39 ，应用和改进方面都有一半
通信学报
主要偏向于使用优化算法实现通信方面相关问题
自动化学报
少
仪器仪表学报
少，偏向应用
原文链接：智能优化、进化算法可投稿期刊预览（不包括会议）_big_baozi的博客-CSDN博客
多目标优化工作也可以发表于NATURE MACHINE INTELLIGENCE，下面就为大家介绍下这篇利用多目标算法加速电池材料设计的文章。
编者 | 黄俊杰
制版 | 张靖雯
第一作者：Shree Sowndarya S. V.
通讯作者：Peter C. St. John
第一单位：科罗拉多州立大学
DOI：10.1038/s42256-022-00506-3
本文联合密度泛函理论（DFT）与多目标机器学习设计用于构建水氧化还原液流电池（RFB）的自由基载流子，使用训练完成的强化学习模型生成candidates，再使用DFT计算分子的氧化还原电位、稳定性，用ASKCOS预测可合成性，成功从10^9化学空间中识别出32个有机自由基化合物。
有机自由基是一种十分有潜力的RFB活性组分。然而已知的具备化学稳定性的含自由基化合物相对稀少，相关研究也主要集中于对少量已知化合物改性（侧链替换），这严重阻碍了性能更佳、成本更低的RFB开发工作。为了突破这些限制，作者结合DFT与多目标机器学习，用于生成全新的具有化学稳定性、氧化还原潜力和可合成性的目标化合物。
1.联合机器学习（预测分子属性）与强化学习建立生成模型，优化分子性能，设计多目标属性分子；
2.将DFT计算氧化还原电位、分子稳定性与ASKCOS预测可合成性作为筛选器，联合1中的生成模型，组建一条candidates逐步优化的筛选路径。
1.确定所需的计算特征
用绝热电离势和从隐溶剂化DFT计算的电子亲和度来估计化合物标准氧化还原电位；用DFT计算结构特征和电子自旋密度估计化合物中自由基的稳定性；用合成可达性分数（synthetic accessibility score）小于4.0与R-H均裂键解离焓在 60~80 kcal/mol这两项指标确定化合物可合成性。
2.模型训练
重新优化现有数据库中的自由基和带电结构，构建出一个包含50,547个分子氧化电位（OP）和81,854个分子还原电位（RP）计算的数据库。使用这些数据训练第一个GNN（GNN1）用于预测自由基化合物的氧化还原电位；训练第二个GNN（GNN2）用于预测化合物的自由基稳定性（局部结构优化以及每个原子位置的量子力学电子密度）。2个GNN均使用6个信息传递层，能够交换六个键半径内的局部化学信息。
3.设置reward
GNN1输出氧化还原电位的分数（1. RP: -0.5~+0.2 V; 2. OP: +0.5~1.2 V; 3. 总电压差>1V; R-H均裂键解离焓在 60~80 kcal/mol，每项性质赋分25）；GNN2结合最大预测自旋和最大自旋位置的埋藏体积输出稳定性分数。两项分数相加作为最终输出，作为后续联用强化学习的奖励值（reward）。
4.强化学习优化candidate
从初始单个C出发（CH4），每个action增加一个化学键（C, N, P, S），并限制最大重原子数为12（不计算H）。使用蒙特卡洛树搜索（MCTS），并用AlphaZero代替MCTS模拟相，用policy model给action后分子state赋分（reward）（图1）。该策略将引导candidate生成，从最初在分子空间的随机生成演变为对可能包含高reward分子区域的定向搜索。
5.预测性能
强化学习生成了380万自由基化合物，其中1078个分子的reward>195。使用DFT验证这些分子的性质。对于DFT计算收敛的自由基，80.5%的分子在目标氧化还原电位范围内，41.9%的分子稳定性较好。最后评估分子可合成性，使用ASKCOS逆向合成预测出其中87个分子的合成路线。经DFT验证，其中32个分子同时满足了氧化还原电位与稳定性要求（图2）。
从庞大的化学空间中识别目标分子一直以来都是一项难度巨大的工程。该文作者以有机自由基分子设计为例，巧妙地使用机器学习预测分子多目标属性作为reward训练强化学习模型，并联合DFT计算、ASKCOS预测，开发了一条分子优化路径。其实只要替换reward与DFT属性计算，这个开发流程完全可以套用于其他功能分子的开发工作。当然，化学归根结底是一门实验性学科，实验科学出身的编者其实非常想看到作者将识别分子合成并测试性能，这势必比只利用理论计算更能说服读者。
原文链接：https://www.nature.com/articles/s42256-022-00506-3
【原创文章】AItellU原创文章，欢迎个人转发分享，未经允许禁止转载，所刊登的所有作品的著作权均为AItellU所有。AItellU保留所有法定权利，违者必究。
白鲸优化算法（Beluga whale optimization，BWO）由Changting Zhong等人于2022年提出，该算法模拟了白鲸游泳，觅食和“鲸鱼坠落”行为。
白鲸是高度社会化的动物，它们可以聚集在2到25名成员的群体中，平均有10名成员。白鲸是杂食性的，包括但不限于虾，蠕虫，鳕鱼，鳟鱼和鲑鱼。当夏天来临时，许多生物聚集在一些河口，所以鲸鱼聚集在一起吃东西。白鲸通常通过吸力将猎物带入嘴里，因为牙齿不锋利。有时，白鲸与协调小组通过引导鱼进入浅水来攻击和喂养鱼。此外，白鲸在夏季受到虎鲸，北极熊和人类的威胁，因为河口的人口密度很高。一些鲸鱼在迁徙过程中可能会死亡并落入深海，这被称为“鲸鱼坠落”，为大量没有阳光和氧气的生物提供充足的食物。
白鲸优化算法包含三个阶段：游泳（全局勘探），觅食（局部开发）和“鲸鱼坠落”。
该阶段是模拟白鲸的游泳行为，根据位置的奇偶数采用不同的位置更新，其数学模型如下：
该阶段是模拟白鲸的捕食行为，当前白鲸可以根据其周围白鲸的位置移动和合作觅食。因此，白鲸通过相互共享位置信息来捕食，从而引入最佳位置和其他位置，其数学模型如下：
其中：
在迁徙和觅食期间，白鲸受到虎鲸，北极熊和人类的威胁。大多数白鲸都很聪明，可以通过彼此分享信息来逃避威胁。然而，少数白鲸没有幸存下来并落入深海海底，被其他生物所食，这种现象被称为“鲸鱼坠落”。
其中：
多目标白鲸优化算法（Multiple Objective Beluga Whale Optimization，MOBWO）由白鲸优化算法的优良策略与多目标优化思想融合而成。为了验证所提的MOBWO的有效性，将其在9个多目标测试函数（ZDT1、ZDT2、ZDT3、ZDT4、ZDT6、Kursawe、Poloni、Viennet2、Viennet3）以及1个工程应用（盘式制动器设计）上实验，并采用IGD、GD、HV、SP进行指标评价。
Kursawe：
Viennet3：
盘式制动器设计：
