.png){kind=icon}
返回
A constrained multiobjective multitask optimization framework with multi-stage and diversified demand-oriented knowledge transfer and its applications
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.134083.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
进化多任务优化（EMTO）是进化计算领域一个新兴且极具前景的研究课题。它旨在利用共享计算资源同时解决多个优化任务，并通过跨任务知识迁移实现比单任务优化更优的性能。然而，EMTO主要关注无约束多任务优化和多任务辅助的约束多目标优化，而现实工业问题常涉及约束条件、冲突目标及多任务，限制了其适用性。此外，现有知识迁移技术多采用无差别迁移策略，忽略了不同种群或个体在不同进化阶段对知识的差异化需求，易导致负迁移。为解决这些问题，本文提出一种约束多目标多任务优化框架，即CMOMT-MSDKT。在该框架中，开发了一种多阶段、差异化需求导向的知识迁移技术（MSDKT），用于识别不同进化阶段对可行性、多样性和收敛性知识的需求，并据此进行差异化迁移。此外，构建了面向铜电解过程多系列协作优化的约束多目标多任务优化问题集（MSCO），涵盖多级决策需求。同时，提出一种新的性能指标——多任务收敛评分，用于综合评估约束多目标多任务优化算法的收敛性能。在构建的MSCO实例和公开SOPM实例上的实验结果表明，CMOMT-MSDKT相较于七种代表性算法实现了更优的整体性能。具体而言，CMOMT-MSDKT在所有对比算法中获得了最佳的Friedman平均排名，并在可行性、多样性和收敛性性能方面在多数实例上表现出统计学显著优势。最后，消融实验进一步验证了所提多阶段知识迁移技术的有效性，而参数敏感性实验分析了CMOMT-MSDKT在不同参数设置下的性能变化。
Keyword:
Evolutionary multitasking optimization
Constrained multiobjective multitask
optimization
Demand-oriented knowledge transfer
Multiseries collaboration
Multitask convergence score
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
暂无论文信息