.png){kind=icon}
返回
Adversarial autoencoder enhanced evolutionary guidance for multi-objective multi-task optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102335.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多目标多任务优化（MOMT）问题在实践应用中具有重要意义，特别是在复杂工程领域。这些问题要求同时优化多个目标，并有效管理任务间的相互作用和信息共享。然而，现有的MOMT进化算法常面临知识转移不足、负迁移问题以及难以维持解的质量和多样性等挑战。为解决这些问题，本文提出了一种基于对抗自编码器（AAE）增强的进化引导算法用于多目标多任务优化（EMT-AAE）。首先，提出一种新的对抗自编码器模型，用于学习有前景的进化信息并实现正向迁移。通过定期训练模型结构，实现了从源任务到目标任务间的动态进化动力学。其次，提出一种新的AAE引导的子代繁殖策略，以提高生成解的质量。最后，提出一种自适应环境选择策略，以平衡解的多样性和收敛性。为验证所提算法的有效性，在三个多目标多任务基准测试套件上进行了实验。与其他先进算法相比，EMT-AAE在处理经典和复杂的MOMT优化问题时表现出色。此外，在三个实际应用问题中显示出可扩展性和实用性。
Keyword:
Multi-objective multi-task optimization
Adversarial autoencoder
Evolutionary algorithm
Knowledge transfer
Solution diversity
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
分享收藏MOCPSO: A multi-objective cooperative particle swarm optimization algorithm with dual search strategies☆MOCPSO: 一种具有双重搜索策略的多目标协同粒子群优化算法 ☆.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications生成对抗网络研究综述: 算法、理论与应用
OAAI
OAAI分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏分享收藏
查看更多内容