检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于改进灰狼算法的多任务优化算法

天津工业大学学报 2023年第5期42卷 81-86页

作者：史光伟王启任天津工业大学电子与信息工程学院天津300387

针对已有多任务优化算法寻优精度受限、计算时间成本过高等问题,提出一种基于改进灰狼算法的多任务优化算法(improved grey wolf algorithm based multitask optimization algorithm,IGWMTO)。该算法采用灰狼算法代替典型多任务算法中... 详细信息

针对已有多任务优化算法寻优精度受限、计算时间成本过高等问题,提出一种基于改进灰狼算法的多任务优化算法(improved grey wolf algorithm based multitask optimization algorithm,IGWMTO)。该算法采用灰狼算法代替典型多任务算法中的遗传算法,计算个体的因素等级和技能因子实现狼群分类,并以此更新个体隶属任务,引入扰动因子和动态权重改善狼群个体的更新方式。仿真测试结果表明:相比于传统多任务优化算法,所提算法在4个优化问题上的寻优精度的提升均超过了4.8%,计算耗时降低了70%以上。

关键词：多任务优化群体智能优化算法灰狼算法寻优精度

在线全文

学校读者我要写书评

暂无评论

信息迁移多任务优化共生生物搜索算法

计算机应用 2023年第7期43卷 2237-2247页

作者：程美英钱乾熊伟清湖州师范学院经济管理学院浙江湖州313000 浙江省教育信息化评价与应用研究中心(湖州师范学院) 浙江湖州313000 湖州师范学院教师教育学院浙江湖州313000 宁波大学商学院浙江宁波315211

针对现有共生生物搜索(SOS)算法只能求解单个任务,以及信息负迁移影响多任务优化(MTO)性能这两个难题,提出一个信息迁移多任务优化共生生物搜索(ITMTSOS)算法。首先基于多种群演化MTO框架,根据任务个数设置相应数量种群;然后各种群独立... 详细信息

针对现有共生生物搜索(SOS)算法只能求解单个任务,以及信息负迁移影响多任务优化(MTO)性能这两个难题,提出一个信息迁移多任务优化共生生物搜索(ITMTSOS)算法。首先基于多种群演化MTO框架,根据任务个数设置相应数量种群;然后各种群独立运行基本SOS算法,当某一种群连续若干代停滞进化时,引入个体自身最优经验和邻域最优个体以形成知识模块并将该模块迁移至该种群个体进化过程中;最后对ITMTSOS算法时间和空间复杂度进行分析。仿真实验结果表明,ITMTSOS算法同时求解多个不同形态高维函数时均能快速收敛至全局极值解0,与单任务SOS算法相比,平均运行时间最多缩短约25.25%;而在同时求解多维0/1背包问题和师生匹配问题时,所提算法在测试集weing1和weing7上的最优适应值与目前测试集公布的最优结果相比分别提高了22767和22602,师生最优匹配差和平均匹配差的绝对值分别下降了26和33,平均运行时间约缩短了7.69%。

关键词：共生生物搜索算法多任务优化信息迁移多任务高维函数优化多任务二元离散优化

基于特征变换迁移的多目标多任务进化优化算法

在线全文

学校读者我要写书评

暂无评论

基于特征变换迁移的多目标多任务进化优化算法

作者：李玉林燕山大学

学位级别：硕士

在实际工程应用中,多任务优化吸引了越来越多研究者们的关注。多任务优化是指将多个任务放在一起求解,利用种群间的隐式并行性加速优化算法的收敛。在种群进化过程中,利用任务间的相关性进行知识转移是目前研究的重点内容。传统多任务... 详细信息

在实际工程应用中,多任务优化吸引了越来越多研究者们的关注。多任务优化是指将多个任务放在一起求解,利用种群间的隐式并行性加速优化算法的收敛。在种群进化过程中,利用任务间的相关性进行知识转移是目前研究的重点内容。传统多任务算法在各类多任务优化问题中已经取得了一定成果,但针对在解决知识转移效率和任务间相关性上等问题中仍存在一定不足。针对上述问题,在经典多目标多任务优化算法上进行深入研究,提出两种解决不同类型问题的多目标多任务优化算法,主要研究内容如下:(1)针对多任务优化过程中知识转移效率低下的问题,提出了基于迁移成分分析的多目标多任务进化优化算法(Multitasking multiobjective optimization based on transfer component analysis,TCADE)。算法基于迁移成分分析(Transfer component analysis,TCA)构造了一个低维子空间用于寻找任务间的优秀解集。在这个子空间中,去除了个体间的冗余信息,使数据分布的相关性更加显著。为了将任务间的优秀个体进行充分利用,采用显式转移策略将优秀解集进行跨任务直接转移,并在生成子代过程中采用差分算子,用于平衡种群的多样性和收敛性。为了验证TCADE算法的有效性,在经典多目标多任务系列测试函数上进行仿真。结果表明所提算法在任务间相关性较强的测试函数上具有显著效果,并且通过参数分析得到了适用于各个测试函数的最佳转移数量与子空间降维维度。以冷连轧加减速的动态过程为研究对象,通过优化动态过程的负荷分配方案达到提高产品质量和节能减排的目的。针对复杂工业进化过程的迭代计算与高实时高可靠要求之间的平衡问题,充分分析轧制规程优化过程中多个相互冲突的轧制优化目标。在分析轧制实际问题时以现场实测数据和机理模型为基础,以潜变量迁移优化为手段分析了不同数学变量之间的关系,建立了多任务迁移模型。根据轧制现场实际要求设计了五个优化目标函数,并将所提出算法应用于轧制优化过程。仿真实验证明了所提算法解决了轧制规程优化中求解可行解较慢问题。(2)为了在知识交流的过程中能根据任务间的关联程度进行调节,提出了基于相似度多源选择策略的多目标多任务进化优化算法(Multitasking multiobjective optimization based on similarity multiple selection strategy,SMS-MFEA)。由于各个种群间差异太大,算法将种群进行K-means聚类后划分为多个子种群进行判断。然后通过计算最大均值差异值(Maximum mean discrepancy,MMD)衡量种群间的相似度。为了提高子种群间的匹配效率、加速种群的进化,提出三种多源选择策略。最后根据源子种群和目标子种群之间的相似性来选择合适的转移策略。所提算法分别在经典多目标多任务系列测试函数和复杂多任务测试函数上进行仿真,实验结果表明该算法相较于其他多任务算法有较好的鲁棒性。

关键词：多任务优化知识转移效率降维迁移模型相似度衡量轧制规程优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多任务教学优化算法的研究

多任务教学优化算法的研究

作者：郭伟淮北师范大学

学位级别：硕士

近年来,进化多任务优化(EMTO)在研究领域得到了广泛的关注,其充分利用搜索的并行性,能够同时优化多个任务,并使不同优化问题之间的知识迁移成为可能。在现实世界中,经常会出现具有相似属性的优化问题,它们大部分是相关的,相对于传统的... 详细信息

近年来,进化多任务优化(EMTO)在研究领域得到了广泛的关注,其充分利用搜索的并行性,能够同时优化多个任务,并使不同优化问题之间的知识迁移成为可能。在现实世界中,经常会出现具有相似属性的优化问题,它们大部分是相关的,相对于传统的优化方法,无论从收敛速度还是解的质量来看,都比优化单任务具有更好的性能。同时,在众多算法中,由于具有容易理解、参数少等优势,教学优化算法(TLBO)常被用来解决各种优化问题。根据问题的相似性和互补性提高处理复杂问题的性能,本文将改进后的TLBO算法去解决多任务问题,并提出了三种改进算法:(1)为提高任务间有效信息的利用率。设计了一种新的容易实现的多任务教学优化算法(MTTLBO),学生可以接受相同或不同属性的老师进行知识迁移。其充分利用了不同优化问题之间的知识转移,提高了求解性能和效率。将MTTLBO算法与一些更先进的进化多任务算法进行了比较。实验结果表明,MTTLBO算法在解决单目标多任务问题上具有良好的性能。(2)为有效地减少负信息的知识迁移,提高容错率。进一步提出了一种多学习策略和排序选择策略的多任务教学优化算法(MTTLBO-MR)。第一,在“教”阶段,有三种学习策略供学生选择。第二,在“学”阶段,每个学生根据自己的情况从两种策略中选择学习策略。第三,与原始TLBO算法的贪婪选择策略不同,后代的选择是基于每个个体的适应度值和多样性。测试结果表明,MTTLBO-MR算法在不同的优化阶段通过合适的学习策略更新知识,各个策略的作用都得到了展示,提高了搜索能力和群体多样性,在处理单目标多任务问题上具有优越的性能。(3)为解决多目标多任务优化问题,进一步提出一种多目标多任务教学优化算法(MOMTTLBO),通过非支配等级和拥挤度距离结合的排序方法选择新群体,老师从每代中帕累托最优解中随机选择。通过仿真实验验证了所提出的多目标多任务教学优化算法取得较好的结果。

关键词：进化多任务教学优化算法多任务优化多目标优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

进化多任务优化算法

进化多任务优化算法

作者：陈鸿燕广东工业大学

学位级别：硕士

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... 详细信息

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.

关键词：多任务优化多目标优化进化算法迁移学习 KNN模型

基于特征迁移的多目标多任务进化优化算法的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征迁移的多目标多任务进化优化算法的研究

作者：韦钦楠燕山大学

学位级别：硕士

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... 详细信息

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。

关键词：进化算法多任务优化知识迁移相似度计算逆映射模

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于知识迁移的多任务优化方法研究

基于知识迁移的多任务优化方法研究

作者：刘澎大连理工大学

学位级别：硕士

多任务优化是当前智能优化领域的热点之一,多任务优化算法在优化多个彼此相关的任务时,通过迁移任务之间的有效知识来提升各个任务的表现效果。但传统的多任务优化算法通常用于优化规模较小的任务组,在面对任务量较大的优化场景时,会出... 详细信息

多任务优化是当前智能优化领域的热点之一,多任务优化算法在优化多个彼此相关的任务时,通过迁移任务之间的有效知识来提升各个任务的表现效果。但传统的多任务优化算法通常用于优化规模较小的任务组,在面对任务量较大的优化场景时,会出现迁移效果变差、计算成本升高、任务收敛变慢等问题。为解决这些问题,研究者们提出了多任务质量多样性算法,它能够生成大量多样化且表现效果好的解决方案,在一些特定场景下可以同时解决大量任务,适用于大规模任务的优化场景,但其仍存在知识迁移随机性较大、迁移方式单一、易陷入局部最优等不足。因此,本文在质量多样性算法的基础上,提出了两种新的多任务优化算法,对现有多任务质量多样性算法进行了改进。第一种算法首先设计了有效的任务分组方式。算法根据任务的表示特征计算任务之间的相似程度,然后根据相似度将所有任务分组,组内的任务构成知识迁移区间,并使接下来的组内知识迁移过程仅可以在该区间内发生。通过这种方式,使知识迁移尽可能发生在相似任务之间,减少了负迁移发生的概率,提升了有效知识的迁移效率。其次设计了新的知识迁移策略。不同于传统多任务优化算法中仅迁移表现最好任务的知识,本算法在各个知识迁移区间中记录了多种渠道的知识,包括表现有提升的任务、表现最好的任务和任务变化之前的信息,将这三种信息综合起来协助待优化任务,提升它们的表现效果。同时引入随机过程,使个体有机会发生随机变异,缓解了个体易陷入局部最优的问题。第二种算法是对第一种算法的改进,是将自适应的思想应用到第一种算法中。首先采用了自适应的方式选择知识迁移策略。为了进一步改进算法的性能,本算法设计了四种知识迁移策略,每种策略都偏重于迁移某一渠道的知识。在评估过程中,算法可以根据策略的表现自适应地选择最合适的策略进行知识迁移。其次,采用自适应的方式选择交叉算子。在生成子代的过程中,本算法不但沿用了原算法中的交叉算子,并引入了另外两种较为流行的交叉算子。在评估时,算法可以根据每种交叉算子的表现,自适应地选择表现最好的交叉算子生成子代。本文使用机械臂模型(代表简单任务)与六脚机器人模型(代表困难任务)验证算法的有效性,首先通过消融实验证明改进的有效性,接着将本算法与其它算法在两种模型上进行对比,证明了本文提出的算法具有更好的优化能力。

关键词：多任务优化知识迁移自适应质量多样性算法大规模任务优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

信息筛选多任务优化自组织迁移算法

计算机应用 2021年第6期41卷 1748-1755页

作者：程美英钱乾倪志伟朱旭辉湖州师范学院经济管理学院浙江湖州313000 浙江省教育信息化评价与应用研究中心浙江湖州313000 湖州师范学院教师教育学院浙江湖州313000 合肥工业大学管理学院合肥230009

针对现有自组织迁移算法(SOMA)只能求解单个优化问题及其"隐并行性"未能被充分挖掘的缺陷,提出信息筛选多任务优化自组织迁移算法(SOMAMIF)实现同一时刻处理多个优化问题。首先,构造多任务统一搜索空间,并根据任务个数设置相应的子种群... 详细信息

针对现有自组织迁移算法(SOMA)只能求解单个优化问题及其"隐并行性"未能被充分挖掘的缺陷,提出信息筛选多任务优化自组织迁移算法(SOMAMIF)实现同一时刻处理多个优化问题。首先,构造多任务统一搜索空间,并根据任务个数设置相应的子种群;然后,对各子种群当前最优适应值进行判断,当任务连续若干代停滞进化时则产生信息交互需求;接着,按概率从剩余子种群中筛选对自己有用的信息并过滤无用信息,从而在保证信息正向迁移同时实现种群结构的重新调整;最后对算法的时间复杂度和空间复杂度进行分析。实验结果表明,SOMAMIF在同时求解多个高维函数优化问题时均快速收敛至全局最优解0,而SOMAMIF与分形技术相结合同时提取不同户籍高校学生返乡关键制约因素时,其在两个数据集上得到的平均分类准确率与原始数据集的平均分类准确率相比分别提高了0.348 66个百分点和0.598 57个百分点。

关键词：多任务优化自组织迁移算法信息筛选多任务高维函数优化多任务离散优化问题

基于种群多样性控制的多级信息迁移多任务优化粒子群算法

在线全文

学校读者我要写书评

暂无评论

控制与决策 2024年第3期39卷 728-738页

作者：程美英钱乾倪志伟湖州师范学院经济管理学院浙江湖州313000 湖州师范学院教师教育学院浙江湖州313000 合肥工业大学管理学院合肥230009

基于群体智能“隐并行性”实现多任务优化已取得一系列研究成果,但任务间频繁的垂直信息传递导致种群异质性过度增加,进而产生信息负迁移消极影响,这也是目前多任务优化领域尚未完全解决的难题之一.针对此问题,首先将粒子群算法(PSO)与... 详细信息

基于群体智能“隐并行性”实现多任务优化已取得一系列研究成果,但任务间频繁的垂直信息传递导致种群异质性过度增加,进而产生信息负迁移消极影响,这也是目前多任务优化领域尚未完全解决的难题之一.针对此问题,首先将粒子群算法(PSO)与多种群演化信息共享机制相结合,然后引入标杆管理思想实现多层级信息迁移及智能涌现,最后通过计算种群多样性指数有效控制信息迁移频率,提出多级信息迁移多任务优化PSO算法(multi-level information transfer multi-task PSO, MITMPSO).仿真实验表明,通过设置合理的信息迁移阈值,MITMPSO能在多项式时间内显著提高多任务高维函数优化、多任务多约束函数优化以及多任务二元离散优化问题的求解质量,加快各优化问题的收敛速度.

关键词：多任务优化粒子群算法多级信息迁移种群多样性控制