进化多任务优化算法

作     者：陈鸿燕 

作者单位：广东工业大学 

学位级别：硕士

导师姓名：刘海林

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：多任务优化 多目标优化 进化算法 迁移学习 KNN模型 

摘      要：在实际应用中,许多工程应用上的问题都是一个多目标优化问题.近来,研究者们为了提高解决进化算法的优化效率,提出了一个协同进化多任务优化的方法.多任务优化又分为多目标多任务优化和单目标多任务优化.进化多任务算法旨在同时解决多个任务（多目标多任务优化中每个任务是一个多目标优化问题,单目标多任务优化中每个任务是一个单目标优化问题）,并通过任务间的协作提高算法的搜索效率.尽管通过研究者们的努力,进化多目标优化算法已经取得了一定的进展,但仍然存在着一些挑战.例如,对于进化多目标算法,Pareto前沿的形状会对算法性能产生影响;对进化多任务算法,任务间的正迁移效率可以进一步提高.因此,本文有针对性地提出了几个算法分别解决这些问题.本文的主要贡献如下:（1）由于Pareto前沿的形状对基于分解的进化多目标算法的性能会有很大影响.因此,我们提出了一种新的自适应平行区域分解策略（APRD）.当Pareto前沿的形状是不规则时,也能表现出好的效果.与传统的基于分解的方法不同,该算法利用不同的理想点,将多目标优化问题分解为若干子问题.实验结果表明,提出的算法对不规则Pareto前沿的优化问题有着较好的鲁棒性.（2）多目标多任务优化通过任务间的有用知识来同时解决多个多目标优化问题,加速种群的进化,最终提高算法性能.为了实现这一目标,我们提出了一种基于迁移排序的多目标多任务优化算法（MMOTK）.通过引入迁移排序量化迁移个体的优先级,度量迁移个体实现的正迁移的能力.首先对待迁移个体计算各自的迁移排序值,并根据迁移排序大小进行降序排序。在这里,迁移排序越大的个体被认为是越适合进行迁移的.因此,排在前面的个体会被优先考虑用于迁移.由于会出现具有相同迁移排序的个体,对这类个体无法利用迁移排序进行选择.此时对这些个体,用KNN模型分类器将个体分成四类,并选择被分为正类的个体.数值仿真采用了两个测试集（包含多目标多任测试问题和超多目标多任务测试问题）验证算法的性能.实验结果表明,本文提出的MMOTK算法比其他传统的MMO技术具有更高的鲁棒性.（3）除了多目标多任务算法,提高单目标多任务算法的性能也具有重要的科学意义.研究者们在这方面的研究中也取得了一定的效果,但算法的收敛性能还有待进一步提高.为了提高任务间知识的正向迁移,减少负向迁移,这里提出了一种基于精英知识迁移的单目标多任务优化算法（MSOET）.通过一定的概率实现任务间的知识迁移.以当前种群的全部个体和迁移种群中的精英个体作为学习源,利用学习源构建高斯分布模型生成子代,从而实现任务间的知识迁移.在实验部分,将提出的算法与目前最先进的六种算法进行了比较,实验结果验证了算法的有效性.