Distribution Direction-Assisted Two-Stage Knowledge Transfer for Many-Task Optimization

T. Zhang

doi:10.1109/TSMC.2025.3598800

Distribution Direction-Assisted Two-Stage Knowledge Transfer for Many-Task Optimization

0

PRE

AI

DOI：10.1109/TSMC.2025.3598800

原文链接

原文求助

摘要

En 中文

进化多任务优化（EMaTO）旨在通过利用任务间的相似性，同时解决三个以上的优化任务。尽管现有算法已展现出有前景的结果，但在低相似性场景下仍面临重大挑战。首先，依赖种群位置和分布的现有迁移技术变得无效。其次，选择合适知识的难度显著增加。为解决这些挑战，我们引入了一个新概念：分布方向知识，即精英解的进化方向（ED）。它使目标任务能够学习具有相似进化趋势的源任务搜索经验。为有效利用该知识，提出了一种具有分布方向辅助两阶段知识迁移（DTSKT）的EMaTO算法。首先，提出了一种基于ED的多源选择策略，以在不同情况下获取合适知识。其次，设计了一种两阶段知识迁移（TSKT）策略来搜索有前景的区域，包括探索导向和开发导向的知识迁移。此外，为直接获取分布方向知识，采用概率分布显式揭示种群ED的方式，将估计算法（EDA）作为基础优化器。随后，为验证DTSKT处理不同相似性任务的能力，我们利用测试问题生成器创建了一个更具挑战性的多任务基准测试套件，命名为STOP。WCCI20和STOP基准测试套件的结果以及一个实际应用表明，DTSKT总体上优于七种最新算法。

Keyword:

estimation of distribution algorithm (EDA)

evolutionary direction (ED)

evolutionary many-task optimization (EMaTO)

knowledge transfer

test problem generator

Distribution Direction-Assisted Two-Stage Knowledge Transfer for Many-Task Optimization

摘要

期刊

机构

引用论文