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%。

基于多目标多任务进化算法的含可再生能源混合发电系统优化调度

可再生能源发电的快速发展为电力系统的安全和经济运行带来了新的挑战。在此背景下,构建了能够计及火电阀点效应非线性,风电、光伏发电系统出力不确定性和水电一次能源浪费的多目标优化调度模型。假设风速服从Weibull分布、光照服从Beta分布的前提下,含可再生能源混合发电系统优化模型综合考虑了能源利用、环境保护、成本以及损耗等限制因素。在此基础上,创新的引入了多目标多任务进化算法,同时优化多个任务的多个目标,并行处理多个发电系统的优化调度问题,从而大幅提高了搜索速度。仿真算例采用标准IEEE30节点和IEEE118节点系统,验证了该算法在解决多目标多任务多电源发电系统优化问题时的优越性。

一种基于超粒子引导的自适应知识迁移多任务差分进化算法

针对传统多任务优化算法(MTEA)存在负向知识迁移、迁移算子效率低下等问题,提出一种基于超粒子引导的自适应知识迁移的多任务差分进化算法(SAKT_MFDE).首先,通过任务之间的相似程度自适应地调节任务之间的交配概率,增大任务之间的正向迁移;其次,利用超粒子引导算法的搜索方向,进一步提升算法整体的优化效率;最后,通过多任务基准函数进行仿真实验来评价改进算法的寻优性能.实验结果表明,所提出算法可以有效规避任务之间的负向迁移,提高相似度较低的任务组的优化性能.

基于多任务协同的粒子群聚类优化算法

不同聚类内部指标对不同数据集的划分评价不完全一致,为了同时对数据集使用不同指标进行聚类优化以及提高聚类性能,本文提出使用多任务的方法进行聚类。多任务学习可以将对不同指标的优化视作不同的任务,本文基于多任务协同的粒子群聚类优化算法进行聚类,算法相比单任务的聚类优化算法可以同时实现对多个聚类指标的优化,分别找到各个任务下的最优解,最后用专家知识找出最适合该数据集的聚类结果。实验测试了算法分别在人工和真实数据中的聚类优化能力,并与单任务方法对比,结果展现出性能的提升。多任务进化算法在聚类时的跨任务的种群交流可以提高算法的收敛性能,从而得到更好的聚类划分。