SREMTO–自调节进化多任务优化
title:Self-Regulated Evolutionary Multitask Optimization
author:Xiaolong Zheng, A. K. Qin, Maoguo Gong, and Deyun Zhou
journal:IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION(TEVC)
DOI: https://doi.org/10.1109/TEVC.2019.2904696
code:https://github.com/intLyc/MTO-Platform/tree/master/MTO/Algorithms/Multi-task/Multi-factorial/SREMTO
1.主要贡献:
1)首次提出了能力向量的概念;2)提出了SREMTO算法来自动地调节知识转移强度。
2.问题提出:
1)进化算法的种群只能覆盖搜索空间的一个子区域,并且在迭代过程中是不断变化的,因此,由种群所捕获的任务相似性是局部的和动态的。
2)MFEA中的知识转移强度是通过人为设定的,不能动态地捕获任务相似性。
3)MFEA中地选型交配策略采用随机选择地两个个体作为父代,而没有考虑这两个个体的质量。
3.SREMTO:
1)能力向量的概念:
能力向量
v
i
j
v^j_i
vij表示个体
p
i
p_i
pi处理任务
T
j
T_j
Tj的能力,定义为:
v
i
j
=
f
m
(
r
i
j
)
v^j_i=f_m(r^j_i)
vij=fm(rij)
其中,
r
i
j
r^j_i
rij是任务
T
j
T_j
Tj上个体
p
i
p_i
pi的因子等级,
f
m
f_m
fm是一个单调递减的映射函数,具体定义如下:
v
i
j
=
f
m
(
r
i
j
)
=
{
a
1
⋅
r
i
j
+
b
1
,
r
i
j
∈
[
1
,
m
]
a
2
⋅
r
i
j
+
b
2
,
r
i
j
∈
[
m
+
1
,
n
]
v^j_i=f_m(r^j_i)=\begin{cases} a_1\cdot r^j_i+b_1,r^j_i\in[1,m]\\ a_2\cdot r^j_i+b_2,r^j_i\in[m+1,n] \end{cases}
vij=fm(rij)={a1⋅rij+b1,rij∈[1,m]a2⋅rij+b2,rij∈[m+1,n]
其中,
n
n
n是种群大小,
m
m
m是每个任务组的大小。也就是说,
f
m
f_m
fm是在[1,n]上的两条单调递减的线段组成,且这两条线段的交点是根据m变化的。这样做的目的是提高优秀个体被选入任务组的概率,并给予劣等个体一些机会参与知识迁移。
![image-20240302103452916](https://i-blog.csdnimg.cn/blog_migrate/aa69aa5bee7d2ad329cb95752a0c63b0.png)
2)为每个任务构建一个任务组来保存在该任务上表现良好的个体。使用任务组间的重叠程度来反映任务之间的相关性。
3)跨任务知识迁移是通过任务组间的重叠部分隐式实现的,且知识转移强度与任务组间的重叠程度成正比。换句话说,子代产生是在任务组内实现的,如算法1的第7行。且SREMTO的子代产生使用了三种不同搜索能力的算子,包括模拟二进制交叉(SBX),差分突变(DM),多项式突变(PM)。
4)能力向量的继承与MFEA中的垂直文化传播相同。(如算法2的12-13行)
![image-20240302112407702](https://i-blog.csdnimg.cn/blog_migrate/cc4e1843ac1c6c588ba67095952f1c0b.png)
![image-20240302112600712](https://i-blog.csdnimg.cn/blog_migrate/7e4baeb508489f5ee9c8afdf8c3c3c52.png)
5)任务组的更新:通过从所有任务组产生的子代和旧种群的集合中进行选择来产生下一代种群并更新所有个体的能力向量。(如算法1的10-13行)
6)SREMTO的总体框架:首先,初始化并评估种群(统一搜索空间),为每个个体计算能力向量。然后,为每个任务构建任务组,在任务组内产生子代(算法2),评估个体(算法3)。最后,更新每个个体的能力向量,并选择下一代种群。当终止条件满足时,终止循环并返回每个任务的最优解。
![image-20240302112643172](https://i-blog.csdnimg.cn/blog_migrate/3dc9490f5a2207b9860053598b4e6f5a.png)
7.思考
MFEA使用认为设定的rmp来控制跨任务的知识迁移;
MFEA-II分析了rmp对MFEA性能的影响,并提出使用在线学习的RMP来控制跨任务的知识迁移;
SREMTO使用能力向量来控制跨任务的知识迁移,通过考虑知识迁移强度和迁移个体的质量。