lhn的博客

MFBSO：多因子脑风暴优化算法参考文献Multifactorial Brain Storm Optimization AlgorithmABSTRACT将脑风暴优化（BSO）算法引入到MFO中，并将这种新方法命名为多因子脑风暴优化算法（MFBSA）。此外，我们还提出了一种将聚类技术应用于多任务处理的新策略。聚类过程将具有相似信息的任务收集到一个类中，从而促进这些任务的求解过程。MFBSA中的个体具有不同的文化和生物学特征，它们在进化过程中的相互作用形成了多个任务之间信息交换和共享的方式。

MFPSO&MFDE：多因子PSO与多因子DE的实证研究参考文献An Empirical Study of Multifactorial PSO and Multifactorial DEAbstract在本文中，我们首次尝试使用流行的粒子群优化和差分进化搜索进行MFO。提出了两种具体的多任务范式，即多因子粒子群优化（MFPSO）和多因子差分进化（MFDE）。MULTIFACTORIAL OPTIMIZATION WITH PSO AND DEMFEA基本框架由算法1描述

MFEA-GHS：遗传变换与超矩形搜索相结合的进化多任务策略参考文献A hybrid of genetic transform and hyper-rectangle search strategies for evolutionary multi-taskingABSTRACT近年来，进化多任务（EMT）作为一种新的搜索范式出现在进化计算领域，它可以同时解决两个或多个任务。EMT算法通过在任务之间共享有用的知识来加速多个优化任务的收敛，即知识转移是EMT算法成功的关键。然而，随着进化搜索的进

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

GFMFDE：基于自适应任务间坐标系的多因素优化框架参考文献《A Multifactorial Optimization Framework Based on Adaptive Intertask Coordinate System》摘要基于群体的搜索算法的搜索能力强烈依赖于实现它们的坐标系。然而，现有多因素优化（MFO）算法中广泛使用的坐标系仍然是固定的，可能不适用于具有不同模态、旋转和维度的各种函数情景；因此，任务间知识转移可能不是有效的。因此，本文提出了一种新的任务间知识转移策略，该策略基于

MFEA-II：带有在线传递参数估计的多因子进化算法参考文献：《Multifactorial Evolutionary Algorithm With Online Transfer Parameter Estimation: MFEA-II》摘要鉴于“人类很少从零开始解决所有问题”这一观察，本文的动机是通过跨越相关问题的自适应知识转移来提高优化性能。多个问题同时发生时，自发转移的范围揭示了多任务处理的优势。多任务优化证明了同时解决多个（相关）优化任务的能力。值得注意的是，在问题之间存在潜在关系的情

MFEA：多因子进化（走向进化多任务）参考文献《Multifactorial Evolution: Toward Evolutionary Multitasking》摘要进化算法的设计通常集中于一次有效地解决单个优化问题。尽管基于群体的搜索具有隐含的并行性，但尚未尝试多任务，即使用单个进化个体群体同时解决多个优化问题。因此，本文介绍了进化多任务作为优化和进化计算领域的一种新范式。该方法的灵感来源于多因素遗传的生物文化模型，该模型解释了特征通过遗传和文化因素的相互作用传递给后代的复杂发展。多因子优