链接: https://doi.org/10.1109/TCYB.2020.2969025
An Effective Knowledge Transfer Approach for Multiobjective Multitasking Optimization
IEEE TRANSACTIONS ON CYBERNETICS, VOL. 51, NO. 6, JUNE 2021
An Effective Knowledge Transfer Approach for Multiobjective Multitasking Optimization
摘要:
多目标多任务优化(MTO)是最近提出的进化计算领域的一个新兴研究课题。 MTO旨在通过进化算法同时解决相关的多目标优化问题。 MTO 的关键是基于跨任务共享解决方案的知识转移。值得注意的是,积极的知识转移已被证明可以促进卓越的绩效特征。然而,如何为正迁移找到更有价值的迁移解决方案却鲜有探索。考虑到这一点,我们提出了一种新算法来解决 MTO 问题。**在本文中,如果迁移的解决方案在其目标任务中是非支配的,则迁移是正迁移。此外,该正迁移解的邻居将被选择作为下一代的迁移解,因为它们更有可能实现正迁移。**对 MTO 的基准问题进行了数值研究,以验证所提方法的有效性。实验结果表明,与最先进的 MTO 框架相比,我们提出的框架取得了有竞争力的结果。
假设有解S1和S2,对所有目标而言,S1均优于S2,则我们称S1 支配S2,若S1没有被其他解所支配,则S1 称为非支配解(不受支配解),也称Pareto解。
一、介绍
作为最具代表性的进化多任务优化算法之一,MFEA 已成功开发用于解决复杂的现实问题。目前,进化多任务优化领域主要有以下五个研究方向:
- 如何通过调整知识转移的强度来减少负转移。
为了解决这个问题,[16]提出了一种基于在线学习的进化多任务优化算法。在该方法中,利用不同任务之间的相关性来确定跨任务转移多少知识。此外,郑等人。 [17]还提出了一种在任务之间捕获和共享有用知识的算法。在本文中,知识转移的强度根据任务相关程度进行调整。 - 如何为不同的优化问题分配计算资源
- 如何在任务之间建立映射以实现有意义的知识转移
- 实际应用
- 随着优化任务数量的增加,任务之间的知识转移变得更加复杂和耗时。基于此,合理简化任务之间的联系也是进化多任务处理中的一个关键问题。
MTO 基于这样的假设:存在一些用于解决相关任务的有用的共同知识。在任务之间转移这种有价值的知识,称为正向知识转移,对于提高 MTO 的性能具有显着的作用。
在本文中,如果迁移解决方案在其目标任务中不受支配,则它实现了正迁移。此外,在该正迁移解的原始搜索空间中,将选择其最接近的(基于欧氏距离)解作为新一代的迁移解。原因是这些解决方案更有可能实现正迁移。
二、算法
2.1转移解决方案的选择
对于任务间的知识迁移,迁移的解决方案是从第一代的每个任务中随机选择的。当第 g > 1 代时,将根据第 g − 1 代中实现正迁移的解决方案来选择迁移解决方案。在本文中,如果迁移解决方案在其目标任务中处于非支配状态,则该迁移解决方案实现了正迁移。那么,在这个正迁移解的原始任务的搜索空间中,它的几个最接近的(基于欧氏距离)解将是迁移解,因为这些解更有可能实现正迁移。
可以看出,图1中红星代表上一代实现正迁移的解,黑点代表当前一代的种群。根据我们提出的方法,红星的邻居(表示为 A 和 B)将被选择作为当前一代的转移解。
对于任意两个优化任务,从一个任务转移到另一任务的解的数量为 n,其中 n ≥ 1。如果一个任务中的转移解没有一个在第 g−1 代中实现正转移,则新的转移解将从 g 代中该任务的非支配解中选择。