基于特征迁移的多目标多任务进化优化算法的研究

作     者：韦钦楠 

作者单位：燕山大学 

学位级别：硕士

导师姓名：杨景明

授予年度：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：进化算法 多任务优化 知识迁移 相似度计算 逆映射模 

摘      要：传统的进化算法往往是串行式地处理问题,因此每个问题都需要从零优化。然而,多数优化问题是相似的,在解决某一个问题中获得的知识可以帮助解决其他相似的问题。针对这种情况,为了提高计算效率,可以采用基于并行处理方式的多任务进化算法,以便促进知识在相似的问题中转移。多任务进化算法是将相近的问题放置在一个多任务的优化环境中,通过一个种群同时优化该环境中的所有任务,促进任务之间相互交流,从而使所有任务达到加强收敛效果和加快收敛速度的目的。为了提高任务之间知识交流的效率,本文在知识转移方面进行了深入的研究,主要研究内容如下:(1)在任务间进行知识转移的过程中,知识负迁移的现象时有发生,直接影响了算法的性能。针对任务间负向知识转移的问题,本文提出了一种基于逆模型映射和目标空间对齐策略的多目标多任务优化算法(IM-MFEA)。算法首先采用目标空间对齐策略提高源域解在目标空间中的质量。并通过逆映射策略对这些变换的源域解进行重构。通过重构后的源域解辅助目标域任务生成仅针对目标域的竞争性子代个体。为了验证算法的有效性,对9个多目标多任务基准问题进行了综合实验。实验结果表明,该算法能够很大程度上抑制负向知识迁移发生的概率。通过IGD(Inverse Generation Distance)值指标,IM-MFEA算法在90%的测试实例中优于其他多任务算法。(2)与单任务算法相比,多任务优化算法能够很好的同时处理多个优化问题,这得益于它善于利用任务间的潜在关联性的能力。然而不同任务之间相似度的大小是不同的,同一组任务间的关联性也会随着进化的进程发生改变。算法往往因为无法准确把握关联性而不能选择合适的知识转移策略。针对准确量化任务间相似度的问题,本文提出了能够实时计算任务间相似度的多任务优化算法(MTO-SD)。算法采用双空间相似度计算策略实时的计算任务间的整体相似度。为了应对任务间不同的相似度,算法设计了适合不同相似度的两种知识转移策略。算法会根据相似度选择合适的知识交换策略。并且为了避免种群过早收敛的情况,设计了IOT(Improvement Of Task)指标,其能够自适应的选择适合的DE(Differential Evolution)算子完成交配,实现进化。为了验证本算法的有效性,在标准的多任务测试函数上对算法进行仿真实验,实验结果表明,本算法具有超强的收敛能力和极快收敛速度。