Self-Regulated Evolutionary Multitask Optimization
Self-Regulated Evolutionary Multitask Optimization
复制标题
自我调节进化多任务优化
DOI：
10.1109/tevc.2019.2904696
复制
发表时间：
2020-02
影响因子：
14.3
通讯作者：
Zhou Deyun
中科院分区：
文献类型：
--
作者：
Zheng Xiaolong;Qin A. K.;Gong Maoguo;Zhou Deyun
进化多任务优化（EMTO）是进化计算领域的一个新兴研究方向。它研究了如何通过进化算法（EA）同时解决多个优化问题（任务），以提高独立解决每个任务的性能，假设如果一些组件任务是相关的，那么有用的知识（例如，在解决一个任务的过程期间获得的有希望的候选解决方案）可以帮助解决其他任务（并且也受益于解决其他任务）。在EMTO中，任务相关性通常是事先未知的，需要通过EA的人口来捕获。由于进化算法的种群只能覆盖解空间的一个子区域，并在搜索过程中不断进化，因此捕获的任务相关性是局部的和动态的。多因子遗传修饰（Multifactorial EA，MFEA）是遗传修饰中最具代表性的技术之一，它的灵感来自于多因子遗传的生物文化模型，即将生物学和文化特征从亲本传递给后代。MFEA已经成功地解决了各种多任务优化（MTO）问题。然而，在MFEA的知识转移的强度是通过其算法配置，而不考虑任务的相关程度，这可能会妨碍有效地共享和利用相关任务中获得的有用知识。为了解决这个问题，我们提出了一个自我调节的EMTO（SREMTO）算法，以自动适应不同的和不同程度的不同任务之间的相关性的跨任务知识转移的强度作为搜索的进行，使有用的知识，在共同解决相关的任务可以被捕获，共享，并在很大程度上利用。我们比较SREMTO与MFEA及其变种，以及单任务优化对应的SREMTO在两个MTO测试套件，这表明了SREMTO的优越性。
Evolutionary multitask optimization (EMTO) is a newly emerging research area in the field of evolutionary computation. It investigates how to solve multiple optimization problems (tasks) at the same time via evolutionary algorithms (EAs) to improve on the performance of solving each task independently, assuming if some component tasks are related then the useful knowledge (e.g., promising candidate solutions) acquired during the process of solving one task may assist in (and also benefit from) solving the other tasks. In EMTO, task relatedness is typically unknown in advance and needs to be captured via EA’s population. Since the population of an EA can only cover a subregion of the solution space and keeps evolving during the search, thus captured task relatedness is local and dynamic. The multifactorial EA (MFEA) is one of the most representative EMTO techniques, inspired by the bio-cultural model of multifactorial inheritance, which transmits both biological and cultural traits from the parents to the offspring. MFEA has succeeded in solving various multitask optimization (MTO) problems. However, the intensity of knowledge transfer in MFEA is determined via its algorithmic configuration without considering the degree of task relatedness, which may prevent the effective sharing and utilization of the useful knowledge acquired in related tasks. To address this issue, we propose a self-regulated EMTO (SREMTO) algorithm to automatically adapt the intensity of cross-task knowledge transfer to different and varying degrees of relatedness between different tasks as the search proceeds so that the useful knowledge in common for solving related tasks can be captured, shared, and utilized to a great extent. We compare SREMTO with MFEA and its variants as well as the single-task optimization counterpart of SREMTO on two MTO test suites, which demonstrates the superiority of SREMTO.
登录
查看更多内容
DOI：
10.1109/ssci.2016.7850040
发表时间：
2016-12
期刊：
2016 IEEE Symposium Series on Computational Intelligence (SSCI)
影响因子：
--
作者：
Ramón Sagarna;Y. Ong
通讯作者：
Ramón Sagarna;Y. Ong
DOI：
10.1007/978-3-319-68759-9_38
发表时间：
2017-11
期刊：
--
影响因子：
--
作者：
Qunjian Chen;Xiaoliang Ma;Yiwen Sun;Zexuan Zhu
通讯作者：
Qunjian Chen;Xiaoliang Ma;Yiwen Sun;Zexuan Zhu
DOI：
--
发表时间：
2013-12
期刊：
--
影响因子：
--
作者：
Kevin Swersky;Jasper Snoek;Ryan P. Adams
通讯作者：
Kevin Swersky;Jasper Snoek;Ryan P. Adams
影响因子：
14.3
作者：
Gupta, Abhishek;Ong, Yew-Soon;Feng, Liang
通讯作者：
Feng, Liang
影响因子：
9.8
作者：
C. Robert Cloninger;J. Rice;T. Reich
通讯作者：
C. Robert Cloninger;J. Rice;T. Reich