科研之友
微信
新浪微博
Facebook
分享链接
摘要
演化多任务优化是近年来计算智能领域的研究热点之一，其原理是通过任务间的知识转移提高演化算法同时求解多个任务的效率.由于任务间相似性对促进任务之间的正向知识转移具有重要的影响，因此，如何度量任务间的相似性成为了重点研究方向之一.目前，演化多任务优化在处理两个任务时，辅助任务的选取仅限于两者之一，且在处理超多任务时对任务间知识的转移缺乏灵活性.为此，本文提出一个基于机器学习的演化多任务优化框架，命名为MaTML.该框架联合所有任务关联的子种群形成一个统一的初始化种群，利用目标任务的技能因子及其对应的种群个体分别构建标签和训练集，应用十折交叉法拟合模型，并运用模型预测与目标任务相似的个体以组成辅助种群，从而促进演化优化中的正向知识转移.本文提出的算法能够在动态的种群个体中找到目标任务的辅助种群，不仅可以为三个或以上的多任务优化灵活地选取相似辅助任务，而且解决了当任务数量为两个时有效地选择辅助任务的问题.通过与现阶段的多任务算法和超多任务算法分别在CEC2017问题测试集和WCCI2020SO问题测试集进行比较，实验结果证实MaTML在优化多任务问题时具有更优或竞争性的性能.此外，文中还详细研究了MaTML的计算资源、模型性能、模型稳定性以及相关组件.最后，本文还基于真实问题的测试进一步验证了MaTML的有效性.
- 单位
