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.