【论文泛读】基于自适应档案的多任务优化演化框架

1、题目

自适应；档案；多任务优化框架

2、摘要

目的

方法

MaTEA

创新

考虑任务相似性和迁移过程中的知识累积反馈

采用交叉知识迁移模式，提高搜索效率；

设置档案用于捕捉不同时间实例的相似性。

结果与结论

搜索效率和求解精读优于其他算法；能够解决任务实例到达时间不同的动态多任务优化问题。

3、引言

现有研究不足

只能解决少量任务，任务数量较多时无效（无目标知识迁移，缺乏反馈调整）；

要求同时解决所有任务，很少有解决处于不同演化阶段实例的算法。

本研究创新

知识迁移时选择最适合的任务与当前任务匹配，采用基于KLD的相似性度量方法，测量任务之间的相似性；

用档案辅助记录演化过程中不同任务的信息，解决不同时间到达任务的优化问题。

4、图表分析

图1介绍了MaTEA的主要算法框架。

图2说明暂时相似的种群分布的优化任务有着不同的进化方向。

图3说明了两个有着不同维度的任务如何进行相似性度量。

图4说明了如何进行知识迁移的交叉。

表1介绍了单目标测试问题的具体细节。

表2介绍了算法的具体参数设置。

表3介绍了各个算法的运行效果

图5介绍了辅助任务被选择用于知识迁移的次数。

表4介绍了每个任务成功传输的频率。

图6三种算法在单目标优化问题上面的收敛趋势。

图7是对于任务6，累计成功迁移的个体数量统计。

表5为了验证MaTDE组件的有效性，对MaTDE的三种简化算法MaTDE/AS(将自适应策略替换为随机选择策略)、MaTDE/S(不进行相似度度量的MaTDE)和MaTDE/R(不进行自适应奖励策略的MaTDE)进行了实验。

表6对知识迁移概率参数α进行测试实验。

图8展示了不同的反馈参数对于知识转移的帮助。

表7展示了不同维度下，不同算法的运行时间。

表8展示了与其他算法比较的结果。

表9展示了多目标优化问题的具体细节。

表10展示了不同多任务优化算法在测试问题上的收敛性。

图9展示了不同多任务优化算法的IGD值表现。

图10展示了任务在不同顺序到达时对任务优化性能的影响。

5、框架总结

目的

算法

MaTEA

实验

单目标多任务优化实验；

多目标多任务优化实验；

知识迁移参数α和反馈参数实验。

评价指标

IGD;

运行时间；

知识成功传输频率。

6、存在问题与研究展望

存在问题

研究展望

提高相似性度量的准确性和效率；

将所提出的框架应用于其他领域如回归和分类问题。

本文引自 Y. Chen, J. Zhong, L. Feng和J. Zhang, 《An Adaptive Archive-Based Evolutionary Framework for Many-Task Optimization》, IEEE Trans. Emerg. Top. Comput. Intell., 卷 4, 期 3, 页 369–384, 6月 2020, doi: 10.1109/TETCI.2019.2916051.