MFEA-AKT--带有自适应交叉算子的MFEA

MFEA-AKT–带有自适应交叉算子的MFEA

title： Toward Adaptive Knowledge Transfer in Multifactorial Evolutionary Computation

author： Lei Zhou, Liang Feng, Kay Chen Tan, Jinghui Zhong, Zexuan Zhu, Kai Liu, and Chao Chen.

journal： IEEE TRANSACTIONS ON CYBERNETICS (TCYB)

DOI： 10.1109/TCYB.2020.2974100

code: MTO-Platform/MTO/Algorithms/Multi-task/Multi-factorial/MFEA-AKT at master · intLyc/MTO-Platform · GitHub

1.主要贡献：

1）研究了不同的交叉算子对MFEA中知识迁移的影响；

2）提出了MFEA-AKT，它可以自适应控制交叉算子。

2.问题提出：

1）交叉算子对MFEA性能的影响至关重要；MFEA中的知识迁移是通过将两个属于不同任务的个体进行知识交叉来实现的。

2）不同的交叉算子对不同的优化问题存在不同的搜索能力。

3.MFEA-AKT：

3.1 算法框架

1）MFEA-AKT引入了三个定义：迁移交叉指数：($T_{ci}\in [1,m]$)，其中$T_{ci}$是一个整数，$m$是可使用的交叉算子个数；迁移子代：通过具有不同技能因子的父代交叉产生的子代；直系父代：与迁移子代技能因子相同的父代。

2）MFEA-AKT的框架如下图所示，可以看到，其与MFEA大体一致。首先，通过匹配选择产生子代，并通过$T_{ci}$配置交叉算子（自适应匹配选择）；其次，通过垂直文化传播来评估子代，并识别迁移子代的直系父代（自适应垂直文化传播）；最后，更新迁移交叉指数。

3.2 自适应匹配选择

首先，随机选择两个父代个体，如算法1的第1行；

其次，当两个父代技能因子相同时，使用SBX产生后代，如算法1的第4行；否则，通过rmp来控制拥有不同技能因子的父代的知识交叉，其中，交叉算子是通过在两个父代中随机选择$T_{ci}$来控制的，并且所选择的$T_{ci}$还被迁移子代所继承，如算法1的7-11行。

最后，当知识交叉未发生（突变发生）时，子代分别继承其父代的$T_{ci}$，如算法1的14-16行。

3.3 自适应垂直文化传播

MFEA-AKT中的自适应垂直文化传播与MFEA中的垂直文化传播的区别在于其增加了直系父代的识别，如算法2的8-10行。直系父代是用来更新迁移交叉指数的，如3.4所述。

3.4 迁移交叉指数的更新

首先，如算法3的第1行所示，计算最好的迁移交叉指数$T_{ci}^b$，它是当前代中迁移子代中改进率(IR)最大的迁移子代的$T_{ci}$。其中IR计算如下：
$$IR=\frac{f(s)-f(p_s)}{|f(p_s)|}$$
其中，$f(\ast )$代表计算个体的目标函数值，$|\ast |$代表取绝对值。

其次，当迁移子代的适应度值差于其直系父代，则将其$T_{ci}$设置为$T_{ci}^b$，如算法3的4-6行。

接着，对于其他的子代个体，它们的$T_{ci}$要么继承$T_{ci}^b$，要么随机初始化（如算法3的8-13行）。

4.思考

1）MFEA-AKT通过分析不同交叉算子对MFEA算法性能的影响，提出了具有自适应交叉算子的知识迁移策略。

2）如算法1中所看到的那样，自适应交叉算子仅发生在拥有不同技能因子的个体之间，而在技能因子相同的个体间则使用的是固定SBX。从文章中对于交叉算子的分析以及对比实验结果来看，如果任务内和任务间均可以采用自适应交叉算子的方法，可能会有更好的效果。

3）文章的展望部分，作者还给出了将MFEA-AKT扩展为处理Many-task问题的设想。