优化场景视角下的进化多任务优化综述

随着优化问题变得日益复杂,传统的进化算法由于计算成本高昂和适用性有限而面临挑战。为了克服这些挑战,基于知识迁移的进化多任务优化(EMTO)算法应运而生,它的核心思想是通过跨任务的知识共享,同时解决多个优化问题,旨在提高进化算法在应对复杂优化场景的效率。全面总结了当前进化多任务优化研究的进展,与已有综述文章相比,从不同的研究视角进行深入探讨,并指出了现有文献中对优化场景视角分析的缺失。鉴于此,从优化问题的应用场景出发,对适用于进化多任务优化的场景及其基本解决策略进行了系统性的阐述,以帮助研究人员准确地根据具体应用需求选择合适的研究方法。此外,深入讨论进化多任务优化当前面临的挑战和未来的研究方向,旨在为未来的研究提供指导和启示。

基于双阶段搜索的约束进化多任务优化算法

高效地平衡算法的多样性、收敛性和可行性是求解约束多目标优化问题(CMOP)的关键;然而,复杂约束的出现给该类问题的求解带来了更大的挑战。因此,提出一种基于双阶段搜索的约束进化多任务优化算法(TEMA),通过完成两个协同进化的任务实现多样性、收敛性和可行性之间的平衡。首先,进化过程由探索和利用两个阶段组成,分别致力于加强算法在目标空间的广泛探索能力和高效搜索能力;其次,设计一种动态约束处理策略以平衡种群中可行解的比例,从而增强算法在可行区域的探索能力;再次,提出一种回退搜索策略,利用无约束Pareto前沿所包含的信息指导算法向约束Pareto前沿快速收敛;最后,在两个基准测试集中的23个问题上进行对比实验。实验结果表明,TEMA分别在14个和13个测试问题上取得最优反世代距离(IGD)值和超体积(HV)值,体现出明显优势。

基于进化多任务多目标优化的边缘计算任务卸载

目前边缘计算卸载的主流方案是将其建模为一个多目标优化问题,即最小化能耗和延时。不同于已有研究,主要考虑边缘计算中,不同卸载区域的任务具有一定的相似性,可以利用任务的相似性加快算法的收敛速度和求解效果。以此基于进化多任务优化,提出一种进化多任务多目标优化算法求解不同区域的任务卸载问题。该算法考虑了多个独立的待优化区域,将每个区域的任务卸载系统模型建模为一个多目标优化问题。通过学习不同区域的用户分布和待处理任务的相似性来动态调节种群的交流程度,加快了收敛速度,通过一次进化,实现对两个不同区域的优化。实验结果表明,算法在收敛速度及最优解分布的均匀性上均取得较好效果,可以获得边缘计算下的卸载部署优化方案。

基于改进差分进化算法的同构无人机任务分配

在满足任务需求的情况下,搭载相同察打设备的同构无人机任务分配问题由于无需考虑无人机机间差异约束,其任务规划难度相对较小,目的是为编队中的各架无人机分配有序任务集,以便在完成任务时获得最大收益。求解无人机任务分配问题的一个有效方法是设计出能在合理计算时间内找到最优或近似最优解的智能算法。首先,建立同构无人机任务分配模型,然后,对差分进化算法进行改进,最后,用改进后的差分进化算法进行任务分配的研究。

LeCMPSO算法求解异构无人机协同多任务重分配问题

无人机系统在军事领域有着广泛应用,由于战场环境复杂多变,无人机遭遇突发状况后需进行任务重分配.异构无人机是指多种类型的无人机,可完成单一无人机无法完成的多类型复杂任务,异构无人机协同多任务重分配问题约束条件复杂且包含混合变量,现有多目标优化算法不能有效处理此类问题.为高效求解上述问题,本文构建多约束异构无人机协同多任务重分配问题模型,提出一种学习引导的协同多目标粒子群优化算法(LeCMPSO),该算法引入基于先验知识的初始化策略和基于历史信息学习的粒子更新策略,能有效避免不可行解的产生并提升算法的搜索效率.通过在4组实例上的仿真实验表明,与其他典型的协同进化多目标优化算法相比,所提算法在解集的多样性、收敛性及搜索时间方面均具有较好的性能.

面向异构效用的移动群智感知多目标任务分配

当前移动群智感知(MCS)任务分配往往只考虑工人或平台单方面的效用,并且效用的构成也不够全面。因此基于工人信誉指数和任务熟练指数,设计了工人和平台两方面的异构效用机制,并提出一种双种群竞争的多目标进化算法(DCMEA)来获得最优的工人和平台异构效用。该算法首先通过随机贪婪初始化种群,然后使用二元竞标赛算法将种群划分为胜者种群和败者种群,并针对每个种群采用不同的进化策略。最后,通过修复算子使进化过程中的无效个体满足约束条件。在真实场景的数据集上进行实验表明,与基线算法相比,DCMEA收敛速度更快,能够找到精度更优、稳定性更好的任务分配解集,同时在更为复杂的场景中依然能够保持其性能。

改进粒子群算法的紫外光协作多无人机任务分配方法

为了解决无人机协同作战问题,需要将多任务分配给多个无人机。利用无线紫外光实现强电磁干扰环境下无人机机间隐秘信息传输,提出一种改进粒子群算法的多无人机任务分配方法,综合考虑无人机执行任务所付出的威胁代价、航程代价以及完成任务的时间差,结合压缩因子和差分进化思想解决粒子群优化算法容易陷入局部最优的问题。仿真结果表明,改进粒子群算法相较于传统粒子群算法在不同无人机和任务数量比下的任务分配平均成功率提高了约16%,算法在收敛时的迭代次数平均减少了约4.5倍,最优适应度值平均减小了近一倍,在多无人机任务分配的实际应用中有一定的意义。

基于进化多任务的边缘计算服务部署和任务卸载

服务部署和任务卸载是边缘计算面临的两大挑战,但目前在边缘环境下都是对任务卸载这一单一问题的求解,较少考虑服务部署问题。由于服务部署与任务卸载是高度耦合的,只考虑其中一个问题具有局限性,会造成资源的浪费及较大的时延,从而影响用户的体验感。此外,传统的进化算法不能同时处理多个单目标或多目标优化任务。为解决上述问题,构建一个多任务多目标模型,将每个优化问题视作一个任务,并针对该模型提出一种改进的基于多因子优化的进化多任务算法,通过引入位置更新策略来增加搜索种群的多样性,并在此基础上设计改进选型交配方法,提高后代个体的质量。仿真实验结果表明,与多目标算法对比,该算法在SP、Span、PD等多个指标上均有较好的表现,明显提高了算法收敛性能,大幅加快了求解速度,整体系统性能提高了11.4%。

《前线任务——进化》6月推出PC版

Square Enix公司和Double Helix近日公布最新一批《前线任务——进化（Front Mission Evolved）》的高清游戏截图，游戏预计在2010年6月30日登陆PC。《前线任务》的续作《前线任务——进化》是一款第三人称动作射击游戏。玩家可以控制一种巨大的战争机器Wanzer完成单人和多人游戏。作为老牌作品在新时代的续作，该作具有好莱坞的风格，拥有引入人胜的故事主线。玩家们将沉浸在充满毁灭和阴谋的世界和紧张刺激的战斗中，为了抵御恐怖份子而努力创造最强大的战争机器。

自适应迁移的分解多目标多任务进化算法

多目标多任务进化优化是多目标优化的一个重要研究方向,通过跨任务共享有益信息以同时解决多个相关任务的优化问题。然而,现有多目标多任务进化优化研究存在相似任务匹配准确度低、缺少对知识迁移的动态控制等问题。为提高多目标多任务进化优化算法的优化效果,引入相似性动态指标和迁移概率动态调整机制,提出自适应迁移的分解多目标多任务进化算法。为了给目标任务子问题匹配关联度最高的迁移源,同时考虑种群的当前分布以及种群的进化方向2个指标,设计一种基于种群静态和动态特征相结合的迁移源匹配策略。为了合理地控制任务间的信息传递,提出基于种群进化状态的知识迁移概率自适应调整策略,在优化过程中根据优化任务的进化状态自适应地调整任务间的知识迁移概率,以满足优化任务在不同进化阶段对外部知识的需求。实验结果表明,相比MOEA/D、MO-MFEA、MO-MFEA-Ⅱ等算法,该算法具有较优的稳定性和收敛性,在常用的9组(18个独立任务)多目标多任务测试问题中有15个表现较优,优化率为83%。

面向重访周期需求的敏捷成像卫星任务规划方法

为满足敏捷成像星座观测目标的重访周期需求,提出一种混合编码差分进化算法.分析敏捷成像卫星的工作特点,构造评价重访周期需求满足情况的目标函数,建立成像任务约束满足模型.针对观测任务选择与否、执行顺序和成像时间的优化需求,提出一种二进制-实数混合编码差分进化算法,实现了成像任务在时间轴上的分布优化.通过工程实例进行仿真校验,仿真结果表明相比于基于二进制编码的遗传算法,本文算法在优化时间和优化效果方面都有较大优势.

基于多种群协同进化的多逃逸者围捕任务分配

群机器人逃逸围捕一直是人工智能和机器人领域的研究热点之一。在面向多逃逸者时,如何为每个逃逸者高效地分配合适的机器人以完成协同围捕是一个难点问题。已有研究大都采用距离优先分配的策略,为每个逃逸者选择离它最近的一组机器人进行围捕,在逃逸者数量较多的情况下,难以实现围捕任务的均衡分配,降低了系统围捕的效率。为此,提出了一种基于多种群协同进化的多逃逸者围捕任务分配算法。首先,构建了一种全方向的群机器人逃逸围捕任务分配数学模型;然后,基于遗传算法和多种群协同进化提出了一种多逃逸者围捕任务分配算法,设计了相应的编码方式、交叉和变异策略;最后,在开发的群机器人逃逸围捕仿真平台上测试了算法的有效性。对比实验结果表明,所提算法在完成围捕任务所耗费的步数上最多降低了20%,围捕效率最大提高了25%。

基于子空间对齐和反向学习的进化多任务优化算法

与传统的单任务进化算法不同,进化多任务优化(EMT)利用任务之间的信息共享,同时对多个任务实施进化搜索,进而提升多个任务的收敛性能,但这些任务可能拥有不同的特征。为实现任务之间信息的有效传递,提出了一种基于子空间对齐和反向学习的进化多任务优化算法(EMT-SOL)。该算法首先通过历史支配关系选择合适的迁移个体;然后,通过迁移学习中的子空间对齐学习策略,建立任务之间的映射关系,利用映射关系减小迁移个体与目标任务种群个体之间的差异;同时,利用目标任务的个体对映射后的迁移个体进行反向学习,提高目标任务种群的多样性;最后,通过9个标准测试函数对该算法进行测试,并与6个现有算法对比分析。研究结果表明,本文所提出的算法在收敛性能和个体正迁移比例方面均优于对比算法。

多任务优化算法及应用研究综述

进化多任务优化(EMTO)是进化计算中一种新型方法,它可以同时解决多个相关的优化任务,并通过任务之间的知识转移增强每个任务的优化。近年来,越来越多的进化多任务优化相关研究致力于利用它强大的并行搜索能力和降低计算成本的潜力优化各种问题,并且EMTO已应用于各种各样的实际场景当中。从EMTO的原理、核心设计、应用以及挑战四个方面对EMTO的算法及应用进行了讨论。首先介绍了EMTO的大致分类,分别从两个层次、四个方面介绍,包括单种群多任务、多种群多任务、辅助任务形式以及多形式任务形式;其次介绍EMTO的核心组件设计,包括任务构建以及知识转移;最后对它的各种应用场景进行介绍,并对今后研究做了总结与展望。

无人机集群任务分配的多目标算法研究

针对目标识别场景下的无人机集群协同任务分配问题,建立了以识别代价和识别收益为目标的优化模型,设计了基于分解的多目标差分进化算法求解该模型。首先,提出了精英初始化方法,在保证所得非支配解分布均匀的基础上,筛选初始解以提高解集的质量;其次,结合模型特性构造整数编码下的多目标差分进化算子,提高算法的收敛速度;最后,设计了带限制的禁忌搜索策略,使得算法具有跳出局部最优的能力。该算法为问题的求解提供一组非支配解集,使得可以根据实际需求选择更加合理的最优解。通过上述方法获得分配方案后,基于拍卖算法设计任务重分配策略,进一步调整分配方案,以应对无人机损毁的突发情况。仿真实验验证了所提算法在求解小、中、大规模任务分配问题上的有效性。相比于其他算法,文中算法所得非支配集具有更高的质量,可以消耗更少的识别代价来获取更高的识别收益,说明算法具有一定的优越性。

基于博弈的差分进化和粒子群相结合的无人机任务分配

无人机具有成本低、灵活性高、部署方便等优点,在军事和民用领域得到了广泛的应用,然而,无人机的智能化水平难以应对复杂不确定的任务环境。为了提高无人机的智能性与协同能力,文章提出基于博弈的差分进化算法(Differential Evolution,DE)和粒子群算法(Particle Swarm Optimization,PSO)相结合的无人机任务分配,采用博弈论中的联盟博弈模型实现算法之间的相互协作。事实上,在每一轮迭代和特定迭代之后,DE和PSO算法进入博弈环境,基于纳什议价理论共同进行博弈,以达到联盟博弈中的纳什均衡状态。最后,通过仿真实验验证了所提算法的有效性。

前线任务：进化

“进化”的结果就是让一个曾经经典的系列变得不伦不类。虽说回合制策略如今确实已经失去了市场，缓慢的节奏让大多数玩家望而却步，但要说把这样一款曾经以策略为重的作品改成动作流。

前线任务：进化——机甲风暴来袭!

相信不少玩家（其中又以男性居多）小时候都曾有过这样的梦想：化身威力如神的巨大人形机甲，用炮火还有热血来演绎幻想中战场上的激情与友情吧！

任务分配与调度的共同进化方法

并行与分布式计算环境中随着独立任务的增多 ,传统进化类单种群的任务分配与调度算法的效率与效力随之大为降低 .该文在分析传统解完整编码单种群进化类算法的基础上 ,基于生物界多物种间共同进化的机制提出了任务分配与调度的合作式共同进化计算模型 ,并探讨了任务分配与调度问题中的子种群合作方式与个体的适应值计算方法 .此外 ,从数学上分析了基于合作式共同进化的任务分配与调度算法的性能 ,指出共同进化调度方法中好的调度方案能以高于传统单种群进化算法的递增指数递增 .仿真分析证实了算法的理论分析结果 。

基于改进免疫进化算法的云计算任务调度

针对云计算环境下内置任务调度方法的低效问题,提出一种基于改进免疫进化算法的任务调度算法,利用人工免疫进化原理完成任务调度的全局优化。通过将粒子群优化算法作为算子嵌入免疫进化算法中,避免陷入局部最优,改善收敛效果,减少任务调度时间开销。以CloudSim作为仿真平台进行模拟,实验结果表明,改进的免疫进化算法能大幅提高云计算任务调度效率。