MFEA-II--自适应迁移概率的MFEA

MFEA-II–自适应迁移概率的MFEA

title：Multifactorial Evolutionary Algorithm With Online Transfer Parameter Estimation: MFEA-II

author：Kavitesh Kumar Bali , Yew-Soon Ong, Abhishek Gupta , and Puay Siew Tan

journal：IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION（TEVC）

DOI： https://doi.org/10.1109/TEVC.2019.2906927

code：https://github.com/intLyc/MTO-Platform/tree/master/MTO/Algorithms/Multi-task/Multi-factorial/MFEA-II

1.主要贡献：

1)从理论上证明了当任务之间存在互补性（或相似性）的条件下，多任务优化比单任务优化能产生更快的收敛特性，并且MFEA的收敛速率与迁移参数(rmp)有很大的相关性；2）提出了MFEA-II来估计rmp。

2.问题提出：

研究表明，多任务优化的性能对潜在的任务间相似程度很敏感，也就是说MFEA的性能与rmp的设置有关，而MFEA中的rmp需要人为设置。

3.理论证明：

该文章的3-4章通过理论证明得出结论：1）当任务之间存在互补性（或相似性）的条件下，多任务优化比单任务优化能产生更快的收敛特性；2）MFEA的收敛速率与迁移参数(rmp)有很大的相关性。

此处不展示详细的证明过程，有需要的话可以参考原文！！！

4.MFEA-II：

1)MFEA-II不再使用MFEA中的标量rmp来控制迁移频率，而是一个$K\times K$的矩阵RMP，表示如下：
$$RMP=\left[\begin{array}{cccc}rm{p}_{1,1}& rm{p}_{1,2}& .& .\\ rm{p}_{2,1}& rm{p}_{2,2}& .& .\\ .& .& .& .\\ .& .& .& .\end{array}\right]$$
2)使用概率混合模型$g_c^k(x,t)$近似子代种群的真实分布$p_c^k(x,t)$，表示如下：
$$g_c^k(x,t)=[1-\frac{0.5}{K}\sum _{k\ne j}rm{p}_{k,j}]\cdot g^k(x,t)+\frac{0.5}{K}\sum _{j\ne k}rm{p}_{k,j}\times g^j(x,t)$$
3)RMP矩阵的在线学习，通过最大化如下的对数似然函数：
$$\max RMP\sum _{k=1}^K\sum _{i=1}^{N/2}\log g_c^k(x_{ik},t)$$
此函数可以缩小概率混合模型$g_c^k(x,t)$和真实分布$p^k(x,t)$之间的差距。证明略。

4）从下图可以看出，MFEA-II与MFEA的区别就在于：通过概率混合模型来在线学习RMP矩阵（如算法2），再使用RMP矩阵控制任务间的知识迁移频率（如算法3）。

5.思考

1）本文给出了MFEA收敛的理论证明，并得出rmp会影响MFEA的性能。且所提出的MFEA-II可以取得很好的效果。

2）但是，我们通过在MTO-Platform平台上的实验证明，MFEA-II运行会耗费大量的计算资源。因此，一些更快速的自适应迁移概率的策略是有必要的。