多任务优化算法的知识迁移机制及其应用研究

作     者：夏坤 

作者单位：西安理工大学 

学位级别：硕士

导师姓名：王磊;赵旌

授予年度：2024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：受试者工作特征曲线 多阶段策略 智能计算 动态分组策略 多任务优化 进化算法 

摘      要：近年来,多任务优化算法,在进化计算领域备受关注。该算法以其能够同时处理多个任务并利用任务之间关联性的特点,成为解决复杂问题的一种有效工具。随着针对多任务优化算法研究的深入,一些问题逐渐浮出水面,比如,多任务优化算法容易受到优化任务间关联度的影响,而产生性能上的波动;再如,优化任务间的知识迁移可能导致负迁移情况,继而降低算法的搜索性能。针对上述问题,本文对多任务优化算法中的知识迁移机制进行了深入研究,并在此基础上探讨了多任务优化算法在受试者工作特征曲线优化问题的应用,以验证多任务优化算法的实用性。本文的研究工作主要包括以下三个方面: (1)针对多任务优化算法可能会发生负迁移的现象,本文探究了一种基于分组的多阶段多任务优化算法,旨在有效地进行优化任务间的正向知识迁移。该算法引入了多阶段策略和动态分组策略用来针对性地处理不同进化状态及不同特征的种群个体,以提高知识迁移的效率。同时,通过引入比例-微分-积分控制器以进一步提高知识迁移模块的鲁棒性。在实验部分,本文通过将该算法与其它优秀的多任务优化算法在多个测试集进行对比实验,验证了该算法在解决负迁移问题时的有效性。 (2)针对多任务优化算法的性能会随着优化任务间关联程度的影响而波动的问题,本文探究了一种基于高斯核函数相似度分级的多策略池多任务优化算法,旨在针对不同相似度的优化任务进行差异化地处理,以提高多任务优化算法的综合性能。该算法引入了基于高斯核函数的动态相似度测量策略以能够实时捕捉优化任务间的关联度。同时,针对不同的相似度,该算法设计了对应的策略池机制以实现对不同相似度的优化任务的针对性处理。在实验部分,本文通过将该算法与其它先进的多任务优化算法进行两类独立的对比实验,验证了该算法能够根据任务间关联程度有效地进行任务间的知识迁移过程。 (3)针对目前的研究工作未能有效地求解受试者工作特征曲线优化的问题,本文利用前面对多任务优化算法的研究工作来解决该类问题。首先通过构建多任务优化环境,搭建了一个适合该问题的优化框架。随后,利用前面研究工作中所探究的两种多任务优化算法分别对受试者工作特征曲线进行优化。经过实验验证和分析,本文探究的多任务优化算法在受试者工作特征曲线优化问题上相较于传统进化算法表现出了更好的性能,具有更高的效率和更少的计算复杂性。 综上所述,本文聚焦于多任务优化算法性能的提升和优化,探究了一种基于分组的多阶段多任务优化算法和一种基于高斯核函数相似度分级的多策略池多任务优化算法,并将这两种算法应用于受试者工作特征曲线优化问题。通过实验表明,本文针对多任务优化算法的改进具有显著的效果,为多任务优化算法的研究进展提供了新的思路和解决方案。