基于自适应知识迁移与资源分配的多任务协同优化算法

摘要：

多任务优化算法在各任务单独优化的同时进行任务间的知识迁移,从而提升多个任务的综合性能.然而,在相似度较低的任务间进行负向知识迁移反而会导致整体性能下降,且为难度不同的任务分配同等的计算资源会造成资源浪费.此外,在任务的不同阶段采用固定的搜索步长容易陷入局部最优.为解决上述问题,提出了一种基于自适应知识迁移与动态资源分配的多任务协同优化(Multitask Cooperative Optimization Algorithm Based on Adaptive Knowledge Transfer and Resource Alloca-tion,AMTO)算法.首先,每个任务用一个单独的种群进行优化,并将一个种群分成3个子种群,采用3种不同的搜索策略,增加搜索行为的多样性,并且在单个任务内根据个体成功率来动态更新搜索步长,增强自适应搜索能力,避免陷入局部最优;其次,利用多个任务间知识迁移的反馈结果在线计算任务间相似度,并依据相似度自适应地调整迁移概率,同时,在相似度较低的任务间进行迁移时还需减去任务偏差,减小负向知识迁移造成的性能下降程度,提升算法对任务间差异的感知能力;然后,通过评估任务性能的提升度来估计任务难度与优化状态,对不同难度与状态的任务动态按需分配资源,最大限度地提升资源的利用率,减少资源浪费;最后,在简单与复杂两类多任务优化函数上,将本文算法与经典的多任务算法进行对比实验,验证了本文算法中自适应迁移策略、动态资源分配策略及其综合的有效性.

关键词：自适应知识迁移、多任务协同优化、动态群搜索算法、计算资源分配、任务间偏差

所属期刊栏目：49

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;上海市浦江人才计划;上海市经信委信息化发展专项

在线出版日期：2022-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：254-262