Multiobjective Multitasking Optimization With Decomposition-Based Adaptive Knowledge Transfer

Jia Wang

doi:10.1109/TEVC.2025.3583709

Multiobjective Multitasking Optimization With Decomposition-Based Adaptive Knowledge Transfer

2025-06-27

0

PRE

AI

DOI：10.1109/TEVC.2025.3583709

原文链接

原文求助

摘要

En 中文

多目标多任务优化（MTO）是进化计算领域的一个新兴研究方向，它尝试通过利用相关任务间的共享搜索知识来并发解决多个优化问题。然而，大多数现有的MTO算法在实现知识转移时未量化任务间的差异，并忽略了转移算子特性的差异，这可能降低收敛速度。为缓解此问题，本文提出了一种基于分解的自适应知识转移的多目标多任务进化算法（MMTEA-DAKT）。具体而言，设计了一种自适应子问题选择方法，采用基于分解的框架将MTO问题分解为一系列单目标优化子问题，旨在根据各子问题的改进率调整不同任务间的知识转移比例。此外，设计了一种自适应知识转移（AKT）策略，用于选择最合适的知识转移算子，旨在提高知识转移效率。为验证所提MMTEA-DAKT的有效性，将其与几种先进的同类算法在三个标准多目标多任务测试套件及神经架构搜索的实际应用中进行比较。实验结果表明，与几种最先进算法相比，MMTEA-DAKT在解决大多数问题时具有显著竞争优势。

Keyword:

Decomposition

evolutionary algorithm

knowledge transfer

multiobjective multitasking optimization (MTO)

neural architecture search (NAS)

Multiobjective Multitasking Optimization With Decomposition-Based Adaptive Knowledge Transfer

摘要

期刊

机构

引用论文