.png){kind=icon}
返回
Scenario-based self-learning transfer framework for multi-task optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113824.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
进化多任务优化（EMTO），旨在同时解决多任务优化问题（MTOPs），正逐渐受到关注。然而，目前仍有两大问题尚未得到实质性解决：(1) 如何设计策略以在多种进化场景下高效解决MTOPs；(2) 如何在解决具有多种进化场景的MTOPs时自动调整所设计的策略。在此，我们发现学习进化场景与场景特定策略之间的关系映射对于解决上述问题起着关键作用，因此提出了一种新颖的场景自适应自学习迁移（SSLT）框架。在SSLT中，针对第一个问题，我们将场景划分为MTOP环境中的四种可能情况，进而设计了一套对应的场景特定策略，同时设计了一种集成方法，通过任务内和任务间场景特征来表征场景。针对第二个问题，SSLT采用深度Q网络作为关系映射模型，学习进化场景与场景特定策略之间的关系映射。我们进行了实验，将基于SSLT的算法与当前最优的竞争算法在两组MTOPs和真实世界的星际轨迹设计任务中进行比较。实验结果表明，基于SSLT的算法在性能上优于竞争算法。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
5.0W
机构
暂无机构信息
引用论文
.png){kind=icon}
Differential evolution with orthogonal array -based initialization and a novel selection strategy
PREAI
分享收藏Optimization-Free Smooth Control Barrier Function for Polygonal Collision Avoidance无优化平滑控制屏障函数用于多边形避碰
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
查看更多内容