.png){kind=icon}
返回
Competitive-Cooperative Multi-Task Optimization Algorithm with Historical Success Archive
.png){kind=icon}
PRE
AI
DOI：10.1145/3775058.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多任务优化在各个科学和工程学科中发挥着关键作用。在该领域内，竞争性多任务优化（CMTOP）作为解决多个优化任务在竞争环境下并发执行的一个专门分支，已引起广泛关注。然而，现有的CMTOP算法存在固有缺陷，如资源分配效率低下和辅助任务选择的盲目随机化，这显著限制了其整体性能。为克服这些挑战，本文提出了一种具有成功记忆框架的新型竞争性多任务历史成功档案协同算法（CMHSA-SMF）。该算法包含三项关键创新：（i）一种具有动态阈值的自适应任务亲和度加权机制，通过利用优化早期和晚期阶段的不同阶段依赖需求来指导辅助任务选择；（ii）一种历史参数感知的自适应资源分配策略，基于迭代性能反馈和成功记忆动态分配计算资源；（iii）一种协作协同进化动态耦合策略，整合了自适应随机交配概率控制和动态协同进化算子，以增强精英多样性、加强任务间通信并促进跨任务知识转移以加速收敛。在包括C2TOP、C4TOP和CCPLX在内的广泛基准测试套件以及传感器覆盖优化和光伏模型参数提取等实际应用中的全面评估表明，本文提出的算法在解质量、收敛速度和鲁棒性方面优于现有算法（如MTSRA和MTEA-HKTS）。
Keyword:
competitive multi-task optimization
historical archive
adaptive similarityweighting factor
resource allocation
evolutionary operator
期刊
IF:
4.8
论文数:
1.3K
被引数:
4.4K
机构
引用论文
Evolutionary competitive multitasking optimization via improved adaptive differential evolution
.png){kind=icon}
PREAI
分享收藏
Adaptive scheduling for assembly job shop with uncertain assembly times based on dual Q-learning基于双Q学习的装配时间不确定的装配车间自适应调度
PREAI
分享收藏Multi-Objective Cloud Task Scheduling Optimization Based on Evolutionary Multi-Factor Algorithm
PREAI
分享收藏Multitasking Multiobjective Evolutionary Operational Indices Optimization of Beneficiation Processes
OAAI
OAAI分享收藏
查看更多内容