基于两层知识迁移的多代理多任务优化方法
进化多任务优化是计算智能领域一个新兴的研究方向,它致力于研究通过进化算法如何同时、有效地求解多个优化问题,从而提高单独求解每个任务的性能.基于此,提出了一种基于两层知识迁移的多代理多任务优化算法(AMS-MTO),其通过在代理间和代理内同时进行知识迁移来达到跨域优化的目的.具体来讲,代理内的知识迁移是通过差分进化实现决策变量信息的跨维迁移,从而避免算法陷入局部最优;代理间的学习采用了隐式知识迁移和显式知识迁移两种策略.隐式知识迁移利用种群的选择性交叉来产生后代,促进遗传信息的交流;显式知识迁移是对精英个体的迁移,可以弥补隐式迁移随机性很强的缺点.为了评估两层知识迁移的多代理多任务优化方法的有效性,在 8 个高达 100 维的基准问题上进行了实证研究,同时给出了收敛证明,并将其与现有的算法进行了对比.实验结果表明,在求解单目标优化的昂贵问题时,AMS-MTO 算法效率更高,性能更好,收敛速度更快.
进化多任务优化、多代理、知识迁移、精英个体、隐式迁移
50
TP391(计算技术、计算机技术)
2023-10-13(万方平台首次上网日期,不代表论文的发表时间)
共11页
203-213