论文部分内容阅读
多任务粒子群优化算法（Multi-Task Particle Swarm Optimization,MTPSO）通过知识迁移学习，具有快速收敛能力，广泛应用于求解多任务多目标优化问题。然而，MTPSO难以根据种群进化状态自适应调整优化过程，容易陷入局部最优，收敛性能差。针对此问题，本文利用强化学习的自我进化与预测能力，提出一种基于Q学习的多任务多目标粒子群优化算法（QM~2PSO）。首先，设计粒子群参数动态更新方法，利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数，提高当前粒子收敛到Pareto前沿的能力。其次，提出基于柯西分布的突变搜索策略，通过全局和局部交替搜索多任务最优解，避免算法陷入局部最优。最后，设计基于正向迁移准则的知识迁移方法，采用Q学习方法更新知识迁移率，改善知识负迁移现象。与已有经典算法的对比试验结果表明所提出的QM~2PSO算法具有更优越的收敛性。