[发明专利]一种基于自适应知识迁移的多任务演化算法

说明书

本发明公开的一种基于自适应知识迁移的多任务演化算法，提出了一种自适应调节不同任务之间任意交配概率RMP的策略，该策略通过测量任务之间的相似度来动态的调整不同任务之间的RMP，从而提高不同任务之间的正向迁移。本发明将提出的自适应知识迁移策略与基础的多任务优化算法进行结合验证了改策略的普适性，并将多种多任务演化算法与所提出的算法在测试函数上进行仿真实验验证了自适应调整RMP策略提高多任务优化效率的有效性。

技术领域

本发明属于演化计算中的多任务优化方法技术领域，具体涉及一种基于自适应知识迁移的多任务演化算法。

背景技术

在处理科学研究、工程技术、经济管理等领域中的复杂问题时，不难发现，许多问题之间存在一定程度的相似性，传统的演化算法只能解决单个优化问题，并不能动态的交互多个不同的优化问题之间的有效信息，因此忽略多个任务之间有用信息的挖掘。

多任务进化算法(Multi-tasking Evolutionary Algorithm,MTEA)也称多因子进化算法(Multi-factorial Optimization Algorithm,MFEA)的提出使得演化算法能够跨域解决多个不同的优化任务。MTEA受多因子遗传模型的启发，自然界生物的许多特征并不是直接由单一遗传基因决定，而是由多个遗传基因控制且受到文化基因的影响。MTEA融合了基因和文化之间协调进化的概念。多重任务相当于多基因环境，在同一时间优化多个任务时，任务可以利用不同基因进化的相似性来学习有效的信息，从相似任务的学习经验中提取的知识可以建设性地应用于更复杂或看不见的任务。与传统的进化算法相比MTEA具有显著优势，它通过建立一个统一的搜索空间同时优化多个跨域任务，在统一搜索空间中不同任务的信息可以进行迁移。目标任务在优化过程中利用其他任务的学习经验加速自身优化进程，使得多个优化任务均以较快的速度得到其最优解。MTEA的一般表达式如下式所示：

{x₁，x₂，x₃，...x_K}＝argmin{f₁(x) f₂(x) f₃(x)，...f_K(x)}

其中K表示优化任务的数量，f_i(x)为第i个任务，x_i为对应的最优解，i∈[1，k]。

2016年，新加坡南洋理工大学Ong教授首次提出MTEA，用于处理跨域的多任务优化问题。目前，MTEA对算法主要研究方向可分为两种类别，分别是MTEA的理论研究、MTEA与其他传统进化算法的融合和改进。MTEA的理论研究主要是对MTEA的工作机理进行探究，从理论层面论证MTEA的可行性。Lian等人提出了一个简单的MTEA来同时优化基准Jump_k和LeadingOnes函数。理论分析表明，在LeadingOnes函数的预期运行时间的上限没有增加时，Jump_k函数期望运行时间的上限相比于单任务得到显著提高。这一结果表MTEA可以解决传统优化方法难以优化的问题。Gupta等人以求解数独问题(Sudoku puzzles)为例，验证了基因迁移和种群多样性在多任务环境中的相互关系。尽管基因迁移和种群多样性在MTEA算法中具有同等重要的作用，但对于具有较强互补性的多任务，基因迁移对于种群快速收敛的影响更为显著。这些研究成果表明了MTEA的算法理论可行性。