【论文泛读】在线抑制无缝迁移进化优化的负面影响

1、题目

在线抑制负迁移

无缝迁移进化

2、摘要

目的

在搜索开始之前没有先验知识可以使用，限制了离线问题之间的协同作用，为了解决这一问题。

方法

设计了一个新的算法框架，在线学习和利用优化问题之间的相似性。

创新

所提出的算法解释了潜在的相似性，并进行理论分析。

结果与结论

所提出的框架在离散，连续，单目标和多目标问题上验证了有效性。

3、引言

现有研究不足

（1）原有的知识重用方法有两种：(1)存储从各种源问题获得的高质量解/学习模型的池，注入目标优化任务；（2）学习迭代映射，将存储的解从先前优化问题转化为正在优化问题的目标解。这两种方法需要大型数据库去存储知识，随着数据库规模的增长，搜索最优解时间成本也增加。

（2）优化前缺乏关于任务相似性的知识，加剧了负迁移。

本研究创新

（1）提出一个基于模型的迁移EA，能够在线学习和利用黑盒优化问题的相似性，最大程度减少负迁移；

（2）对该方法进行理论分析，并证明了收敛性；

4、图表分析

图1：AMTEA算法的概念性解释。

图2：（a）不同传输间隔的trap-5的收敛趋势；（b）当传输间隔为2时，源任务学习的迁移系数α。

图3：（a）one-min的收敛趋势；（b）one-min学习的迁移参数α。

图4：

kp_wc_ac（a）收敛趋势；（b）学习的迁移参数α；

kp_uc_ac（c）收敛趋势；（d）学习的迁移参数α。

图5：

ZDT2（a）IGD值变化趋势；（b）学习的迁移参数α；

ZDT3（c）IGD值变化趋势；（d）学习的迁移参数α。

表1：多目标测试问题的IGD值结果。解决三个测试集ZDT,DTLZ,WFG中的任何一个问题时，该测试集中的所有其他问题都充当源任务，为转移提供源概率模型。

图6：实际问题的学习迁移参数。

表2：实际问题的性能。

5、框架总结

目的

提出新的迁移进化方式，抑制负迁移。

方法

以混合概率模型学习任务之间的相似性

实验

离散优化实验；

多目标优化实验；

实际问题优化实验。

评价指标

收敛性：IGD；

迁移系数：α值变化趋势。

6、本研究不足与未来工作

本研究不足

未来工作

推广至更多实际优化问题；

将考虑系统级实现，以评估算法在大规模物联网/基于云的应用程序中潜在部署的可伸缩性。

本文引自B. Da, A. Gupta和Y.-S. Ong, 《Curbing Negative Influences Online for Seamless Transfer Evolutionary Optimization》, IEEE Trans. Cybern., 卷 49, 期 12, 页 4365–4378, 12月 2019, doi: 10.1109/TCYB.2018.2864345.