[发明专利]多任务教与学优化方法、系统及设备

说明书

本发明公开了一种多任务教与学优化方法、系统及设备，所述方法包括：基于种群多样性判断当前种群演化状态，依据基本的教与学算法原理进行迭代；其中，在教学阶段，引入基于权重的教师协作教学策略；在学习阶段，引入三角协作学习策略；判断是否满足终止条件，若满足，则终止迭代；若不满足，则返回继续进行迭代；本发明通过基于种群多样性及三角协作机制，在任务交互时，基于种群多样性判断当前任务的演化状态，获取其他任务的信息量，实现充分利用其他任务信息，有效减少获取的信息量，降低负迁移的影响；在学习阶段采用三角协作机制，能够获取更多的信息量，有效提高了当前任务的学习效率。

技术领域

本发明属于演化计算中的多任务优化技术领域，特别涉及一种多任务教与学优化方法、系统及设备。

背景技术

在科学研究、工程应用等领域中的复杂问题时，许多问题之间往往存在一定程度的相似性，但传统的演化算法对于相似任务之间的信息不能进行共享，缺乏多个任务之间信息的交互，因此只能通过耗费大量时间进行单任务优化。

随着演化搜索技术的飞速发展，在不同的优化问题进行并行搜索演化，利用不同任务之间的共性和差异进行合作演化成为了一项热点研究。

多任务进化算法(Multi-tasking Evolutionary Algorithm，MTEA)也称多因子优化(Multi-factorial Optimization，MFO)算法，使得演化算法能够同时解决多个不同域的优化问题。多任务优化利用任务之间潜在的相关性同时解决多个不同的优化问题，由于任务之间存在相关性，在优化任务时的动态信息相对于其他相关任务来说是有益的，同时对多个任务之间进行协同优化可以提高优化效率。

MFO算法为充分利用基于群体的搜索的隐式并行性提供了空间，并在一次运行中处理多个优化任务。MFO算法作为一种进化的多任务范式，对应于多个搜索空间中的不同任务，利用单个群体来解决多个异构任务。这种解决问题的方法被称为进化多任务(Evolutionary Multitasking,EMT)，已经在进化计算领域提出。在进化过程中，MFO算法充分利用不同任务之间的相似性(相互依赖性)，通过知识的传递和重用，为其他相似任务提供有效信息，提高进化效果。

在优化时，首先将整个种群分为K个部分，分别用于优化K个任务。任务间的个体以一定的概率进行相互学习，同时，任务间的个体以一定概率交换，以提高算法在解决相似度高的多个任务时的优化性能。

Gupta等人提出了一种将MFO算法与遗传算法(Genetic Algorithms,GAs)相结合的算法MFEA，对MFO算法范式进行了初步研究。算法MFEA是第一个解决单目标MFO(Single-objective MFO,SOMFO))问题的多任务优化算法。算法MFEA使用技能因子将群体划分为不同的任务进行优化。同时，任务间以一定的概率交换信息，充分利用任务间的相似性，达到协同优化的目的。Feng等人为了探索MFO范式的普适性，提出将MFO算法与差分进化(Differential Evolution,DE)和粒子群优化(Particle Swarm Optimization,PSO)相结合。研究表明，MFO算法可以适应多种算法来求解多任务优化问题。

Gong等人提出了一种基于动态资源分配策略的进化多任务算法(EvolutionaryMultitasking Algorithm With Dynamic Resource Allocating,MTODRA)。MTODRA根据不同任务的特点动态地、自适应地分配资源。根据任务的计算复杂度动态分配任务资源量；Tang等人提出了一种新的策略，通过调整子空间来改变优化任务之间的信息传递策略，以解决负迁移的威胁。Zheng等人提出了一种自调整EMTO(Self-regulated EMTO,SREMTO)算法，根据不同任务的不同关联性自动调整知识转移的强度，从而在很大程度上获得有用的知识。Yin等人提出了一种新的基于搜索方向的知识转移策略，以加速收敛，增强全局搜索能力。