多目标多任务优化的有效知识转移方法

元气小嘉

已于 2024-01-08 14:46:32 修改

阅读量1.2k

点赞数 16

CC 4.0 BY-SA版权

分类专栏：论文学习文章标签：算法人工智能

于 2024-01-08 14:43:11 首次发布

本文链接：https://blog.youkuaiyun.com/erjia_/article/details/135456111

链接: https://doi.org/10.1109/TCYB.2020.2969025
An Effective Knowledge Transfer Approach for Multiobjective Multitasking Optimization
IEEE TRANSACTIONS ON CYBERNETICS, VOL. 51, NO. 6, JUNE 2021

An Effective Knowledge Transfer Approach for Multiobjective Multitasking Optimization

摘要： 多目标多任务优化（MTO）是最近提出的进化计算领域的一个新兴研究课题。 MTO旨在通过进化算法同时解决相关的多目标优化问题。 MTO 的关键是基于跨任务共享解决方案的知识转移。值得注意的是，积极的知识转移已被证明可以促进卓越的绩效特征。然而，如何为正迁移找到更有价值的迁移解决方案却鲜有探索。考虑到这一点，我们提出了一种新算法来解决 MTO 问题。**在本文中，如果迁移的解决方案在其目标任务中是非支配的，则迁移是正迁移。此外，该正迁移解的邻居将被选择作为下一代的迁移解，因为它们更有可能实现正迁移。**对 MTO 的基准问题进行了数值研究，以验证所提方法的有效性。实验结果表明，与最先进的 MTO 框架相比，我们提出的框架取得了有竞争力的结果。
假设有解S1和S2，对所有目标而言，S1均优于S2，则我们称S1 支配S2，若S1没有被其他解所支配，则S1 称为非支配解（不受支配解），也称Pareto解。