.png){kind=icon}
.png){kind=icon}
返回
Multi-objective multitasking optimization based on manifold transfer learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-03300-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于现实世界中不同优化问题之间存在广泛的合作关系，进化多任务优化算法受到了越来越多的关注。知识迁移是多任务优化算法的核心。源任务的知识可以促进目标任务的优化。由于任务之间存在差异，在进化过程中可能会迁移无用或不必要的知识，导致负迁移并降低优化效率。为缓解此问题，采用自适应知识迁移策略，基于历史进化信息动态调整迁移概率，从而抑制负迁移。为解决上述问题，本文提出了一种基于流形迁移学习（MTL）的多目标多任务优化算法（MOMFEA-MTL）。自适应知识迁移策略用于基于种群进化的历史信息调整知识迁移概率。通过流形迁移方法构建映射矩阵，并将K-means解选择策略获得的解从源任务映射到目标任务，以加速种群进化过程。为验证所提方法的有效性，在9个经典多目标多任务测试函数上进行了实验，实验结果表明所提出的算法具有良好的竞争力。
Keyword:
Evolutionary computations
Multitasking optimization
Knowledge transfer
Manifold learning