论文部分内容阅读
多任务优化是优化领域中一个新兴的研究方向,研究如何同时、有效地处理多个优化问题。基于演化算法的多任务优化利用基于种群搜索的潜在并行性来实现多个优化问题的跨域优化。相比于传统的单任务优化,基于演化算法的多任务优化使得不同优化问题之间的知识迁移成为可能。优化问题间共享潜在的相似性和互补性促进了种群的演化,进而提高了解决问题的性能和效率。基于该框架提出的单目标多因子演化算法已经在许多多任务优化问题上获得了优异的性能。本文对多因子演化算法进行了研究,并提出了三种改进算法:(1)提出了一种自适应模因算法(Adaptive Memetic Algorithm,AMA),从三个方面对单目标多因子演化算法进行了改进。首先,为了提高任务的学习效率,引入了一种基于个体迁移的局部搜索策略;其次,为了缓解多因子演化算法的早熟收敛问题,提出了一种重新初始化技术用于更新难以演化的个体;最后,采用了自适应父代个体选择策略以适应种群演化的不同阶段的需要。实验结果表明,AMA算法的综合性能优于原始多因子演化算法,但较易受到负迁移的影响。(2)提出了一种双层迁移学习算法(Two-level Transfer Learning Algorithm,TLTLA)解决负迁移问题并提高搜索效率。算法上层完成任务间的知识迁移。由于跨任务的染色体交叉带来的知识迁移具有很强的随机性,引入了基于精英个体迁移的学习策略来促进搜索效率。算法下层完成任务内的知识迁移。为了缓解负迁移对种群演化的干扰,提出了基于统一编码方案的一维搜索策略来深度优化个体。数值优化实验表明,TLTLA算法在9组两任务优化问题上表现出了优秀的性能。另外,在6组三任务优化问题上的实验也显示了算法的高可扩展性。(3)扩展多因子演化算法至多目标优化问题,提出了一种基于多重搜索的多目标多因子演化算法(Multiple-search Multi-objective Multifactorial Algorithm,MS-MOMFEA)。在多目标多因子演化算法的基础之上,引入了跨维度的决策变量搜索策略和基于预测的个体搜索策略。跨维度的决策变量搜索策略利用来自多个维度的遗传信息来优化决策变量,通过迁移有用的信息和舍弃消极的信息来确保生成高质量的解。基于预测的个体搜索策略根据历史记录给出了一个可能的种群中心,通过围绕预测的种群中心进行个体映射来维持演化晚期的种群多样性。相比于经典的带精英策略的非支配排序遗传算法和多目标多因子演化算法,MS-MOMFEA算法具有更优的收敛性能,且能够得到更接近真实帕累托前沿的一组解。本文针对单目标多任务优化和多目标多任务优化提出了新的算法,并通过数值实验证明了算法的有效性,为后续基于演化算法的多任务优化相关研究提供了借鉴。