.png){kind=icon}
返回
EMT-DAKT: Evolutionary Multi-Objective Multi-Task Optimization Algorithm Using Deep Models With Adaptive Knowledge Transfer
.png){kind=icon}
PRE
AI
DOI：10.1109/TETCI.2026.3671021.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
进化多目标多任务优化（MO-MTO）可以通过任务间的知识迁移（KT）同时优化多个任务。然而，现有的MO-MTO算法在知识迁移的灵活性和迁移知识质量方面仍存在局限性，最终导致收敛性能较差。为解决上述问题，本文提出了一种基于深度模型的自适应知识迁移的进化多目标多任务优化算法，命名为EMT-DAKT。首先，提出了一种基于权重的初始种群选择策略来约束初始种群的生成，能够使KT模型学习种群的潜在分布。其次，使用深度模型训练KT模型以提高迁移知识质量，并通过自适应调整知识迁移强度和知识生成策略来减少任务间的负KT现象。最后，设计了一种基于任务间和任务内知识的子代生成策略，能够生成高质量子代个体并加速算法收敛。在各类基准问题上的密集实验表明，所提算法优于当前先进方法，并成功获得了更好的收敛性能。
Keyword:
Evolutionary computation
evolutionary multitasking
multi-objective multi-task optimization
generative adversarial networks (GANs)
transfer adaptation
期刊
I
IF:
6.5
论文数:
1.4K
被引数:
4.5K
机构
引用论文
.png){kind=icon}
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An Effective Knowledge Transfer Approach for Multiobjective Multitasking Optimization多目标多任务优化的有效知识转移方法
PREAI
分享收藏分享收藏分享收藏A Meta-Knowledge Transfer-Based Differential Evolution for Multitask Optimization基于元知识转移的差分进化多任务优化算法
OAAI
OAAI分享收藏
查看更多内容