基于机器学习的演化多任务优化框架

演化多任务优化是近年来计算智能领域的研究热点之一,其原理是通过任务间的知识转移提高演化算法同时求解多个任务的效率.由于任务间相似性对促进任务之间的正向知识转移具有重要的影响,因此,如何度量任务间的相似性成为了重点研究方向之一.目前,演化多任务优化在处理两个任务时,辅助任务的选取仅限于两者之一,且在处理超多任务时对任务间知识的转移缺乏灵活性.为此,本文提出一个基于机器学习的演化多任务优化框架,命名为MaTML.该框架联合所有任务关联的子种群形成一个统一的初始化种群,利用目标任务的技能因子及其对应的种群个体分别构建标签和训练集,应用十折交叉法拟合模型,并运用模型预测与目标任务相似的个体以组成辅助种群,从而促进演化优化中的正向知识转移.本文提出的算法能够在动态的种群个体中找到目标任务的辅助种群,不仅可以为三个或以上的多任务优化灵活地选取相似辅助任务,而且解决了当任务数量为两个时有效地选择辅助任务的问题.通过与现阶段的多任务算法和超多任务算法分别在CEC2017问题测试集和WCCI2020SO问题测试集进行比较,实验结果证实MaTML在优化多任务问题时具有更优或竞争性的性能.此外,文中还详细研究了MaTML的计算资源、模型性能、模型稳定性以及相关组件.最后,本文还基于真实问题的测试进一步验证了MaTML的有效性.

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。

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。

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。

基于两层知识迁移的多代理多任务优化方法

进化多任务优化是计算智能领域一个新兴的研究方向,它致力于研究通过进化算法如何同时、有效地求解多个优化问题,从而提高单独求解每个任务的性能。基于此,提出了一种基于两层知识迁移的多代理多任务优化算法(AMS-MTO),其通过在代理间和代理内同时进行知识迁移来达到跨域优化的目的。具体来讲,代理内的知识迁移是通过差分进化实现决策变量信息的跨维迁移,从而避免算法陷入局部最优;代理间的学习采用了隐式知识迁移和显式知识迁移两种策略。隐式知识迁移利用种群的选择性交叉来产生后代,促进遗传信息的交流;显式知识迁移是对精英个体的迁移,可以弥补隐式迁移随机性很强的缺点。为了评估两层知识迁移的多代理多任务优化方法的有效性,在8个高达100维的基准问题上进行了实证研究,同时给出了收敛证明,并将其与现有的算法进行了对比。实验结果表明,在求解单目标优化的昂贵问题时,AMS-MTO算法效率更高,性能更好,收敛速度更快。

信息迁移多任务优化共生生物搜索算法

针对现有共生生物搜索(SOS)算法只能求解单个任务,以及信息负迁移影响多任务优化(MTO)性能这两个难题,提出一个信息迁移多任务优化共生生物搜索(ITMTSOS)算法。首先基于多种群演化MTO框架,根据任务个数设置相应数量种群;然后各种群独立运行基本SOS算法,当某一种群连续若干代停滞进化时,引入个体自身最优经验和邻域最优个体以形成知识模块并将该模块迁移至该种群个体进化过程中;最后对ITMTSOS算法时间和空间复杂度进行分析。仿真实验结果表明,ITMTSOS算法同时求解多个不同形态高维函数时均能快速收敛至全局极值解0,与单任务SOS算法相比,平均运行时间最多缩短约25.25%;而在同时求解多维0/1背包问题和师生匹配问题时,所提算法在测试集weing1和weing7上的最优适应值与目前测试集公布的最优结果相比分别提高了22767和22602,师生最优匹配差和平均匹配差的绝对值分别下降了26和33,平均运行时间约缩短了7.69%。

基于离散粒子群的Web前端缓存协作任务优化分配方法

Web前端缓存任务众多,导致分配平均时延较长,网络节点内信息的处理效率较差,为提高数据处理速度,基于离散粒子群算法提出了Web前端缓存协作任务优化分配方法。规划Web前端缓存访问路径,在相邻的节点上,以缓存节点为中心,定义一个线性结构的访问体系。基于离散粒子群建立任务优化分配模型,更新粒子的最优位置,获取粒子系数概率,得到替代节点的目标函数与约束条件。设计缓存协作任务分配优化算法,处理空白节点,并替代被删除的内容区块,得到Web前端缓存协作任务优化分配方法。测试缓存节点中权重指标最大的部分,在目标节点中对比不同算法的平均网络时延,由实验数据可知,离散粒子群算法的平均时延低于10 ms。

基于改进灰狼算法的多任务优化算法

针对已有多任务优化算法寻优精度受限、计算时间成本过高等问题,提出一种基于改进灰狼算法的多任务优化算法(improved grey wolf algorithm based multitask optimization algorithm,IGWMTO)。该算法采用灰狼算法代替典型多任务算法中的遗传算法,计算个体的因素等级和技能因子实现狼群分类,并以此更新个体隶属任务,引入扰动因子和动态权重改善狼群个体的更新方式。仿真测试结果表明:相比于传统多任务优化算法,所提算法在4个优化问题上的寻优精度的提升均超过了4.8%,计算耗时降低了70%以上。

有效任务优化单元整体教学

《义务教育语文课程标准(2022年版)》提出“学习任务群”概念,其实质是通过课程内容设计撬动教学方式变革。语文学习任务的核心设计理念是“做中学”,即关联学习内容、学生生活和语文实践,使学生在语文实践活动中获取、理解和运用知识,解决真实的生活问题,实现语文核心素养的提升。在语文单元整体教学中,怎样设计有效的学习任务呢?

基于风险和状态决策的维修任务优化研究

为了合理分配维修资源并提高设备的可靠性、可用性和安全性,建立了一种基于风险和状态的维修决策系统。采用实时数据库、网络服务和面向服务的架构技术,综合集成以可靠性为中心的维修、状态监测系统和生产执行系统搭建了统一的数据结构和人机界面平台。基于RCM风险评估和状态监测技术,利用风险等级、故障特征信号的劣化趋势实现了基于风险和状态的维修决策和维修任务优化。工程应用表明:基于风险和状态的维修决策能够降低设备运行风险、提高设备的可靠性、可用性和安全性;领导层和工程师的强力支持,针对工程师、操作人员和维修人员的专业培训是基于风险和状态的维修模式成功转型的关键。

一类基于多个目标的制造任务优化分配方法

提出了一种基于多个目标的制造任务优化分配方法。建立了以任务总加工时间最少、任务完成时间最早、任务完成总质量最高为目标函数,以制造设备负荷率满足要求为约束的优化分配模型。针对模型的多目标、多约束、大组合量特点,结合遗传算法全局搜索能力强、模拟退火算法局部搜索能力强的优点,提出了一种多阶段父代更新自适应遗传-模拟退火算法。以某多品种小批量生产车间制造任务分配为例,验证了方法的有效性。

基于降噪自动编码器的多任务优化算法

人类通常可同时进行多个任务的学习,将从一个任务中获得的知识应用到另一个任务中以加速此任务的学习.受此学习行为的启发,多任务学习(MTL)被提出并被广泛研究.与MTL动机类似,多任务优化(MTO)是在传统基于单任务优化算法基础上被提出的一种新型优化算法,该算法旨在同时在线执行多个任务,从一个任务中获取知识以帮助另一个任务,并进行任务间知识迁移,以提高多任务的优化性能.基于降噪自动编码器提出了一种新型MTO算法,推演出一种具有闭式解的降噪自动编码器,并利用此编码器显式地对多任务构建任务映射,从而使所提MTO算法能够利用不同的基于单任务优化算法的搜索偏好.采用常用的MTO基准进行综合性实验,验证了所提算法的有效性.

协作设计众包任务优化分配建模与求解

为解决产品设计中协作设计众包任务优化分配问题,建立了一个子任务对设计者匹配满意和设计者对子任务匹配满意的多目标优化模型,并提出一种改进的麻雀搜索算法进行求解。该模型以协作设计众包子任务和设计者双方最大匹配满意度为目标,从而建立双方的一对一匹配。对算法进行改进,利用Sinusoidal混沌映射初始化种群;利用正余弦算法指引所有麻雀个体向最优位置移动。为防止最优解陷入局部最优,对最优解加带惯性的柯西变异扰动;将改进的算法在6个基准测试函数上进行性能验证。试验结果表明:改进后的麻雀搜索算法寻优能力优于灰狼优化算法(GWO)、蝙蝠算法(BA)及麻雀搜索算法(SSA),并举出实例说明了方法的可行性。

基于任务优化的IP地址跳频技术研究

笔者利用IP地址跳频技术,提出多重随机地址跳变的概念,将虚拟主机和应用系统的地址进行虚拟化、动态化。在地址跳变过程中,结合虚拟主机的主要状态参数,构建主机任务优化的地址跳变模型,提高主机运行效率,增强用户体验,增大攻击者地址搜索范围和路径跟踪难度,主机和应用系统动态随机构建,缩短攻击者的可用攻击时间。从地址跳变和动态主机任务优化两方面对模型的安全性进行了分析,结果表明所提出的模型可增加攻击者开销,提高网络的安全性。

信息筛选多任务优化自组织迁移算法

针对现有自组织迁移算法(SOMA)只能求解单个优化问题及其"隐并行性"未能被充分挖掘的缺陷,提出信息筛选多任务优化自组织迁移算法(SOMAMIF)实现同一时刻处理多个优化问题。首先,构造多任务统一搜索空间,并根据任务个数设置相应的子种群;然后,对各子种群当前最优适应值进行判断,当任务连续若干代停滞进化时则产生信息交互需求;接着,按概率从剩余子种群中筛选对自己有用的信息并过滤无用信息,从而在保证信息正向迁移同时实现种群结构的重新调整;最后对算法的时间复杂度和空间复杂度进行分析。实验结果表明,SOMAMIF在同时求解多个高维函数优化问题时均快速收敛至全局最优解0,而SOMAMIF与分形技术相结合同时提取不同户籍高校学生返乡关键制约因素时,其在两个数据集上得到的平均分类准确率与原始数据集的平均分类准确率相比分别提高了0.348 66个百分点和0.598 57个百分点。

基于协方差矩阵调整的多目标多任务优化算法

多任务进化(EMT)是进化计算领域的一个新兴研究方向,区别于传统的单任务搜索算法,EMT通过在任务间传递有用知识,对多个任务同时实施进化搜索,以提升多个任务的收敛性能。目前,大多数进化算法只考虑了知识迁移而忽略了任务间的联系。提出一种多目标多任务优化算法,结合迁移学习的思想,采用任务间种群的协方差矩阵差异表示任务间种群分布特征差异,使用任务间种群均值的距离表示任务间种群的分布距离,并通过任务间种群的分布特征差异和分布距离表示任务间的相似度。对于某个目标任务,将其最相似任务中的解集实施K最近邻分类,以筛选出对目标任务有价值的解,并使其迁移到目标任务中。实验结果表明,与EMTSD、MaTEA、MO-MFEA-II等多目标多任务优化算法相比,所提算法具有较佳的收敛性能,平均运行效率约提高了66.62%。

空间探测相控阵雷达系统的任务优化编排仿真

任务优化编排是空间探测相控阵雷达系统效能发挥的关键。传统的空间探测大多采用探测时段局部优化的思路,可能导致任务丢失,不利于对空间目标的编目维持。针对上述问题,设计了一种全局的任务优化编排方法,利用空间目标过境的可预测性和周期性,挖掘探测任务无丢失和资源利用均衡程度的内在关系,提出了表征资源使用均衡程度的物理量——资源熵。然后通过资源熵引导雷达为过境目标选择合适的探测时段编排任务,实现了资源不过载条件下的任务无丢失规划。仿真结果表明,提出的编排算法显著提高了雷达系统时间资源利用的合理性,而且更加符合对空间目标编目维持的需求。

基于贪婪策略的遗传算法求解多星观测任务优化

针对多星观测任务优化这一复杂度高的问题,在构建观测任务模型和任务规划模型的基础上,较为全面地考虑了观测窗口时间约束、姿态调整约束、观测过渡时间约束、光照条件及能量平衡约束和存储资源约束等条件,并建立了相应的数学模型。针对一般遗传算法在观测任务规划中应用时收敛速度慢的问题,设计了基于贪婪策略的遗传算法,采用STK生成多星观测任务列表,并在Matlab中编程求解观测任务规划方案,通过对比基于贪婪策略的遗传算法和一般遗传算法的性能,说明该方法在保证遗传算法收敛精度的前提下能提高算法的收敛速度,有效解决多星观测任务优化问题。

用改进的JSHOP2规划器实现机器人多任务优化研究

家庭服务机器人在进行任务规划时,对环境中的多任务,包括紧急任务的优化能力是机器人任务规划领域需要考虑的重点。根据JSHOP2规划器不能实现多任务执行顺序优化的缺点,提出了用改进的JSHOP2规划器实现机器人多任务的优化。针对家庭环境下服务任务的特点,对家庭环境下机器人可执行的所有任务分类并分配优先级;在此基础上,构建改进的JSHOP2规划器,实现根据优先级的大小进行任务的优化调度。仿真结果表明该方法能够实现多任务的优化,有效提高了机器人家庭服务的智能性和应急响应能力。

基于S4000P的军用飞机预防性维修任务优化研究

预防性维修是恢复和保持飞机安全性和可靠性的主要措施,其优化一直以来都是飞机制造商和使用方共同关注的问题。本文调研国际上主流的预防性维修任务优化方法及主要应用对象,并以适用于装备的S4000P ISMO流程为基础,结合军用飞机的特点,对原流程进行调整和个性化设计,构建预防性维修任务优化的逻辑流程。结果表明:该任务优化流程可用于军用飞机预防性维修任务的优化分析。