EMTO-HKT--带有混合知识迁移策略的多任务优化算法

EMTO-HKT–混合知识迁移策略

title：Evolutionary multi-task optimization with hybrid knowledge transfer strategy

author：Yiqiao Cai, Deming Peng, Peizhong Liu, Jing-Ming Guo

journal：Information Sciences(INS)

DOI：10.1016/j.ins.2021.09.021

code:

1.主要贡献：

1）设计了一种基于种群分布的度量（PDM）技术来评估任务之间的相似性。

2）引入了一种多知识迁移（MKT）机制来实现跨任务知识迁移。

3）结合PDM和MKT，提出了混合知识迁移策略（HKT）。

与MFEA相比，EMTO-HKT的特点是使用HKT策略，基于任务间的相关性，自适应地控制任务间的知识转移强度。

2.问题提出：

1）具有不同程度相似性的任务的迁移强度的控制。

2）任务相似性的度量应该动态地考虑分布相似性和最优解的交集。

3）不同的知识转移策略在共享和利用有用知识方面表现出不同的能力。

3.EMTO-HKT：

1）算法框架：

​ EMTO-HKT是一个多种群的MTO算法框架。

​ 首先，为每个任务初始化一个具有N个个体的种群并进行评估。其次，并为每个任务构建PDM技术所使用的精英集（第4行）。初始化过程结束后，将具有两级学习算子的MKT机制迭代地应用于每个任务，直到满足终端条件。

​ PDM包括相似性度量和交集度量。

​ 两级学习算子包括个体水平的迁移学习（9-25行）和种群水平的迁移学习（26-30行）。

2）PDM:

​ 首先，选择每个任务$T_k$的m个最优解，根据它们的适应度值构建一个精英集，表示为$E_k$。其次，对于每个任务构建的精英集，PDM技术的两个度量定义如下：

​ **相似度度量：**具体来说，对于每个目标任务$T_k$，计算从$E_k$中所有解到$T_k$的最优解（即${\overrightarrow{x}}_{k,b}^g$）的欧氏距离，并按升序排序，并将${\overrightarrow{x}}_i^g\in E_k$到${\overrightarrow{x}}_{l,b}^g$的距离排序表示为$R{d}_{k,i}^{(l)}$。然后，通过下面的公式评估辅助任务（$T_l$）与$T_k$的相似性（记为$S{M}_k^{(l)}$）
$$S{M}_k^{(l)}=\frac{{\sum }_{i=1}^m|R{f}_{k,i}-R{d}_{k,i}^{(k)}|}{{\sum }_{i=1}^m|R{f}_{k,i}-R{d}_{k,i}^{(l)}|}$$
其中$R{f}_{k,i}$是${\overrightarrow{x}}_i^g\in E_{}$