.png){kind=icon}
返回
Learning to Transfer for Evolutionary Multitasking
.png){kind=icon}
OA
AI
DOI：10.1109/TCYB.2025.3561518.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
进化多任务（EMT）是一种用于解决多任务优化问题（MTOPs）的新兴方法，并已引起相当大的研究兴趣。隐式EMT是一个重要的研究分支，它利用进化算子实现任务间的知识转移（KT）。然而，隐式EMT的现有方法在适应性方面面临挑战，原因在于对不同进化算子及其参数设置的有限使用，以及对进化状态在执行KT中的利用不足。这导致未能充分利用隐式KT的潜力来应对各种MTOPs。为克服这些局限性，我们提出了一种新颖的迁移学习（L2T）框架，用于自动发现针对当前MTOPs的高效KT策略。我们的框架将KT过程概念化为学习代理在EMT过程中的战略决策序列。我们提出了关于何时以及如何进行转移的动作表述、包含进化状态信息特征的的状态表示、关于收敛性和转移效率增益的奖励表述，以及代理与MTOPs交互的环境。我们采用演员-评论家网络结构作为代理，并通过近端策略优化来学习策略。该学习代理可以与各种进化算法集成，增强它们处理未见MTOPs的能力。在涵盖多样任务间关系、函数类和任务分布的合成和真实世界MTOPs上进行了全面的实证研究，以验证所提出的L2T框架。结果表明，在解决广泛未见的MTOPs时，隐式EMT的适应性和性能显著提高。
Keyword:
Evolutionary multitasking (EMT)
learning to optimize
reinforcement learning (RL)
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
An Evolutionary Multitasking-Based Feature Selection Method for High-Dimensional Classification
.png){kind=icon}
PREAI
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Ensemble of Domain Adaptation-Based Knowledge Transfer for Evolutionary Multitasking用于进化多任务的基于领域适应的知识转移集成
PREAI
分享收藏Affine Transformation-Enhanced Multifactorial Optimization for Heterogeneous Problems仿射变换-异构问题的增强多因子优化
PREAI
分享收藏
查看更多内容