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：
$$RMP=[\begin{array}{c}rm{p}_{1,1}\end{array}$$