动态多目标优化问题具有多个相互冲突的目标,而且这些目标也受环境的影响不断变化,为了快速准确跟踪不断变化的Pareto前沿和Pareto解集,提出一种基于迁移学习的拐点预测策略(a knee points prediction strategy based on transfer learn...动态多目标优化问题具有多个相互冲突的目标,而且这些目标也受环境的影响不断变化,为了快速准确跟踪不断变化的Pareto前沿和Pareto解集,提出一种基于迁移学习的拐点预测策略(a knee points prediction strategy based on transfer learning, TKPS)。TKPS根据记忆过去时刻种群中优秀个体,使用迁移学习算法得到映射矩阵W,然后通过映射矩阵W,把当前时刻的拐点集映射到高维希尔伯特空间,从中找到下一时刻的拐点集,引导种群收敛;同时,在拐点的邻域内选出若干个伴随个体,增加种群多样性,避免种群陷入局部最优。TKPS采用8个测试函数,并与其它3个算法结果对比分析,实验结果表明TKPS算法具有更快的响应环境变化的能力。展开更多
文摘动态多目标优化问题具有多个相互冲突的目标,而且这些目标也受环境的影响不断变化,为了快速准确跟踪不断变化的Pareto前沿和Pareto解集,提出一种基于迁移学习的拐点预测策略(a knee points prediction strategy based on transfer learning, TKPS)。TKPS根据记忆过去时刻种群中优秀个体,使用迁移学习算法得到映射矩阵W,然后通过映射矩阵W,把当前时刻的拐点集映射到高维希尔伯特空间,从中找到下一时刻的拐点集,引导种群收敛;同时,在拐点的邻域内选出若干个伴随个体,增加种群多样性,避免种群陷入局部最优。TKPS采用8个测试函数,并与其它3个算法结果对比分析,实验结果表明TKPS算法具有更快的响应环境变化的能力。