.png){kind=icon}
返回
A surrogate-assisted multitask knowledge transfer optimization algorithm and application
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116576.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统优化方法从零开始搜索且不利用先验知识，总是耗时且资源效率低下。然而，现实世界中的大多数问题并非孤立存在，例如航空航天、交通运输等领域。通过迁移优化可以利用相似优化任务的大量数据和知识来帮助目标任务的优化，近年来已引起广泛关注。但当两个任务相似性不足时，转移的知识可能误导搜索，即负迁移。为解决此问题，本文提出了一种代理辅助多任务知识迁移优化算法（SATO）。在SATO中，构建了一个中间任务以增强多个任务间的相似性，从而促进更有效的迁移优化。此外，设计了一种基于距离的源数据库构建机制。通过该机制，源数据库由与目标任务最相关的样本组成，而非仅由性能优越但相似性低的样本组成，确保迁移优化过程由更相关且信息丰富的源数据库支持。进一步地，SATO在源、中间和目标任务之间建立了迁移整合模型。该模型有助于选择新的有前景样本并持续优化目标任务的预测模型，最终实现基于多任务知识的高效迁移优化。实验结果表明，所提出的SATO相较于七种算法展现出更优性能，在基准案例中53.9%的情况下取得了最佳结果。最后，SATO被应用于无人水下航行器（UUV）的形状优化，结果进一步验证了其在处理计算密集型工程问题上的竞争力。
Keyword:
Global optimization
Transfer optimization
Unmanned underwater vehicle
Multitask knowledge
