EMHH：基于图的进化多任务超启发式统一框架

EMHH：基于图的进化多任务超启发式统一框架

参考文献
Hao, Xingxing, Rong Qu, and Jing Liu. “A unified framework of graph-based evolutionary multitasking hyper-heuristic.” IEEE Transactions on Evolutionary Computation 25.1 (2020): 35-47.

Abstract

• 在最近的研究中，超启发式算法在各个领域引起了越来越多的关注。超启发式算法最吸引人的特点是，它们的目标是通过在高级启发式空间而不是直接问题域中搜索，为优化问题提供更广义的解决方案。尽管在超启发式中有着令人鼓舞的发现，但设计更通用的搜索方法仍然是一项关键研究。
• 进化多任务是一种相对较新的进化范式，它试图同时解决多个优化问题。它通过在不同优化任务之间传递信息，利用它们之间的潜在相似性，从而加速所有任务的优化。
• 从本质上讲，超启发式和进化多任务处理在以下三个方面是相似的：1）它们都在第三方搜索空间中运行；2）高级搜索方法具有普遍性；3）它们都进行跨域优化。

为了有效地结合进化多任务的知识转移和跨领域优化以及超启发式的启发式空间搜索等优点，本文提出了一个基于图的进化多任务超启发式（EMHH）的统一框架。

INTRODUCTION

• 元启发式算法在解决各种组合优化问题方面非常有效，但它们通常涉及一个特定的问题，在其他问题上表现不佳，甚至在同一问题的其他实例上表现不佳。这些方法的性能也在很大程度上取决于特定领域的知识和专业技能，如复杂的参数调整。这种量身定制的设置限制了它们的通用性，使它们在适应其他问题时成本高昂。
• 超启发式，即选择启发式的启发式，可被视为一般算法。超启发式算法不像传统的元启发式算法那样直接在解空间中搜索，而是在一组低级启发式算法的高级搜索空间中工作。目标是通过选择现有的低级启发式算法或生成新的低级启发式算法来解决手头的问题。为问题开发超启发式的唯一要求是一组易于实现的低级启发式和一个特定于问题的目标函数。这些都是在超启发式的底层使用的，超启发式一般用于解决不同的问题。

超启发式算法的搜索空间要么包含现有的低级启发式算法，要么包含用于构造低级启发式算法的组件和运算符。基于这些特性，超启发式可分为启发式选择超启发式和启发式生成超启发式。启发式选择超启发式选择一组给定的低级启发式来构造或改进解决方案，而启发式生成超启发式使用一组给定的组件和运算符生成新的启发式。此外，在启发式选择和启发式生成超启发式中，构造性和微扰性低级启发式可用于逐步构建解或修改和改进完整解。本文讨论了一种新的选择构造超启发式框架。

本文提出了一个基于图的进化多任务超启发式（EMHH）的统一框架，该框架基于超启发式和EMO之间的第三方协同作用，内在地集成了超启发式和EMO。首先，它们都在第三方搜索空间而不是直接问题解决空间中运行。在EMO中，不同任务的变量被映射成一个统一的表示，而超启发式算法在启发式的高级空间中搜索。其次，超启发式算法中的高级算法等价于EMO中的一般解算器。第三，两种方法都涉及跨域搜索，但机制不同。受这些协同作用和相似性的启发，EMHH结合了它们的优势，即EMO的知识转移和跨领域搜索，以及超启发式的高级搜索，以进一步将综合方法的通用性提升到更高的水平。

EMHH能够通过知识转移机制在高层搜索空间中学习不同任务解之间的隐含共性，并在任务间高效共享，以促进所有任务的收敛。此外，EMHH中的知识转移机制提高了其跳出局部最优解的能力。

本文的创新之处在于，首次将进化多任务的概念引入超启发式算法中，从而产生了以下两个贡献：

• 首先，开发了一个统一的框架，即EMHH，它将两种方法连贯地集成在一起，以实现更高水平的通用性。虽然现有的超启发式算法集中于一次处理一个任务，但通用性仍然有限，所提出的EMHH能够同时处理多个任务，无论是域内任务还是跨域任务，从而扩展了解决多个优化问题的通用算法的通用性和范围。此外，扩展了多任务统一概念的通用性，即统一表示不应局限于解表示空间。在开发多任务处理的潜力方面，其他统一方案可能也很有希望。
• 其次，本文探讨了在启发式空间中，通过进化多任务和知识转移来解决不同问题的启发式方法选择中潜在的公共性。