一种基于自适应知识迁移的多任务演化算法制造技术

本发明专利技术公开的一种基于自适应知识迁移的多任务演化算法，提出了一种自适应调节不同任务之间任意交配概率RMP的策略，该策略通过测量任务之间的相似度来动态的调整不同任务之间的RMP，从而提高不同任务之间的正向迁移。本发明专利技术将提出的自适应知识迁移策略与基础的多任务优化算法进行结合验证了改策略的普适性，并将多种多任务演化算法与所提出的算法在测试函数上进行仿真实验验证了自适应调整RMP策略提高多任务优化效率的有效性。

【技术实现步骤摘要】
一种基于自适应知识迁移的多任务演化算法
本专利技术属于演化计算中的多任务优化方法
，具体涉及一种基于自适应知识迁移的多任务演化算法。
技术介绍
在处理科学研究、工程技术、经济管理等领域中的复杂问题时，不难发现，许多问题之间存在一定程度的相似性，传统的演化算法只能解决单个优化问题，并不能动态的交互多个不同的优化问题之间的有效信息，因此忽略多个任务之间有用信息的挖掘。多任务进化算法(Multi-taskingEvolutionaryAlgorithm,MTEA)也称多因子进化算法(Multi-factorialOptimizationAlgorithm,MFEA)的提出使得演化算法能够跨域解决多个不同的优化任务。MTEA受多因子遗传模型的启发，自然界生物的许多特征并不是直接由单一遗传基因决定，而是由多个遗传基因控制且受到文化基因的影响。MTEA融合了基因和文化之间协调进化的概念。多重任务相当于多基因环境，在同一时间优化多个任务时，任务可以利用不同基因进化的相似性来学习有效的信息，从相似任务的学习经验中提取的知识可以建设性地应用于更复杂或看不见的任务。与传统的进化算法相比MTEA具有显著优势，它通过建立一个统一的搜索空间同时优化多个跨域任务，在统一搜索空间中不同任务的信息可以进行迁移。目标任务在优化过程中利用其他任务的学习经验加速自身优化进程，使得多个优化任务均以较快的速度得到其最优解。MTEA的一般表达式如下式所示：{x1，x2，x3，...xK}＝argmin{f1(x)f2(x)f3(x)，...fK(x)}其中K表示优化任务的数量，fi(x)为第i个任务，xi为对应的最优解，i∈[1，k]。2016年，新加坡南洋理工大学Ong教授首次提出MTEA，用于处理跨域的多任务优化问题。目前，MTEA对算法主要研究方向可分为两种类别，分别是MTEA的理论研究、MTEA与其他传统进化算法的融合和改进。MTEA的理论研究主要是对MTEA的工作机理进行探究，从理论层面论证MTEA的可行性。Lian等人提出了一个简单的MTEA来同时优化基准Jumpk和LeadingOnes函数。理论分析表明，在LeadingOnes函数的预期运行时间的上限没有增加时，Jumpk函数期望运行时间的上限相比于单任务得到显著提高。这一结果表MTEA可以解决传统优化方法难以优化的问题。Gupta等人以求解数独问题(Sudokupuzzles)为例，验证了基因迁移和种群多样性在多任务环境中的相互关系。尽管基因迁移和种群多样性在MTEA算法中具有同等重要的作用，但对于具有较强互补性的多任务，基因迁移对于种群快速收敛的影响更为显著。这些研究成果表明了MTEA的算法理论可行性。MTEA可以和其他经典的进化算法融合，利用其进化算子的优势提升算法的优化性能。Feng等人将经典的差分进化算法(DifferentialEvolution，DE)和粒子群优化算法(ParticleSwarmOptimization，PSO)与MFEA相结合提出了MFDE和MFPSO算法，其优化性能较优于原始的DE和PSO算法。Cheng从子种群的角度结合PSO算法进行多任务演化，当优化陷入停滞阶段时产生新的子代，并对全局最优个体进行拉马克学习(Lamarckianlearning)。同时，他还在在MFDE的基础上进行了延伸，使得MFDE可以自适应的调整知识在不同任务之间的迁移方式，Tang等人提出了一中自适应多因子粒子群优化算法，可以自适应调整任务之间的学习概率。Cai提出了一种用于多任务差分进化的差分向量共享机制(DVSM)，其目的是在不同任务之间捕获、共享和利用有用的知识，提高知识迁移效率。Zhou等人根据子代的提升率自适应的选择MTEA的交叉算子提升了MTEA的优化性能。Feng提出了一种具有跨任务显式遗传传递的EMT算法，它允许在EMT范式中包含具有不同偏差的多个搜索机制。MTEA也成功的解决了现实世界中的工程实践。Cheng等人认为合作协同进化的机制适用于在单个多任务环境中利用不同(但可能相关)优化任务之间的共性或互补性，并通过基于协同进化算法的框架进一步强调跨问题多任务处理的有效性，利用该算法有效解决了复杂工程设计工程实例问题。在模糊关联挖掘的隶属度函数优化中，相比传统分别优化的方式，MTEA优化过程中发挥了其知识共享的优势。Ding等人对现有的MTEA进行了推广，提出了两种策略，一种用于决策变量转换，另一种用于决策变量洗牌，以促进具有不同位置的优化问题之间的知识转移，有效的解决昂贵优化问题。同时，MTEA还可以用来解决光伏模型的参数优化问题和车辆路径规划问题。除此之外，多任务优化算法也很好的解决了云计算中大规模虚拟机布局的优化问题和选矿工艺中操作指标的优化问题。MTEA算法目前在理论研究和算法性能改进都有所建树，但仍存在许多不足之处，面临着多方面的挑战，主要总结为以下两个方面。(1)在解决现实应用场景中的技术问题时，不能实时的反映优化任务之间的先关程度，导致效率低下。任务之间知识迁移时具有负面效应。多任务环境中的任务存在一定程度的相似性或者互补性，MTEA借助任务之间的特性将有利的信息在这些任务之间进行迁移，加快优化多个任务的收敛性。但在任务优化过程中，每个阶段任务之间会出现不相似或者不互补的现象，多任务算法不能很好自适应去发现这一问题，导致会出现负向迁移的情况，使得任务的优化方向发生转换，从而影响任务优化的性能，问题的解决效率低下。(2)MTEA算法自身的效率和适应性有待提高。多项优化任务同时进行，进化算法的效率和适应性对于算法的应用价值显得尤为关键。传统的MTEA算法只是在交叉、变异、选择等进化算子的基础上，添加了选型交配和垂直文化传播等操作，算法效率并不高效。因此，在研究任务特征的基础上，基于种群分布特征设计新的编解码方案、高效的进化算子，以实现种群多样性的主动控制和种群搜索方向的自适应调整，是当前需要解决的一个关键问题。
技术实现思路
本专利技术的目的在于提供一种基于自适应知识迁移的多任务演化算法，相较现有的MFDE和MFEA更能够有效地解决多任务优化问题。本专利技术所采用的技术方案是：一种基于自适应知识迁移的多任务演化算法，包括以下步骤：步骤1、种群初始化：在统一搜索空间随机生成N个个体作为初始化种群P，P＝{y1，y2，y3，...yN}，学习期初始化为75代，任务间的交配概率RMP初始化为0.3，根据每个优化任务评估每个个体，并计算个体的标量适应度值和技能因子τi；其中，个体的标量适应度值由如下公式(1)计算，λ为惩罚系数，为第i个个体在第j个任务上的总约束违反系数，为第i个个体在第j个任务上的目标值；个体的技能因子τi表示个体表现最具优势的任务，为个体i在第j个任务上根据标量适应度值得排序，j∈{1，2，3...K}，K为搜索空间中的任务总数；步骤2、评估任务间相关程度：使用公式(2)跨任务适应度距离相关度CTFDC来计算任务之间的相关程度；T1、T2分别表示任务1和任本文档来自技高网...

【技术保护点】
1.一种基于自适应知识迁移的多任务演化算法，其特征在于，包括以下步骤：/n步骤1、种群初始化：在统一搜索空间随机生成N个个体作为初始化种群P，P＝{y

【技术特征摘要】
1.一种基于自适应知识迁移的多任务演化算法，其特征在于，包括以下步骤：
步骤1、种群初始化：在统一搜索空间随机生成N个个体作为初始化种群P，P＝{y1，y2，y3，...yN}，学习期初始化为75代，任务间的交配概率RMP初始化为0.3，根据每个优化任务评估每个个体，并计算个体的标量适应度值和技能因子τi；
其中，个体的标量适应度值由如下公式(1)计算，λ为惩罚系数，为第i个个体在第j个任务上的总约束违反系数，fij为第i个个体在第j个任务上的目标值；个体的技能因子τi表示个体表现最具优势的任务，为个体i在第j个任务上根据标量适应度值得排序，j∈{1，2，3...K}，K为搜索空间中的任务总数；



步骤2、评估任务间相关程度：使用公式(2)跨任务适应度距离相关度CTFDC来计算任务之间的相关程度；T1、T2分别表示任务1和任务2，n为T1任务上采样个体的数量，f1为采样个体在T1任务上评估的适应度值向量，其中f1i为第i个个体在任务T1上的适应度值，i∈[1，n]；d2是采样个体在T1任务上评估的适应度值最好的个体xbest和所有采样个体之间的距离组成的向量，其中为第i个个体和xbest之间的欧式距离；和σ(f1)和σ(d2)分别为f1和d2的均值和方差；



步骤3、更新RMP：根据步骤2中的相关程度重新计算RMP，若任务之间为负相关，RMP设置为0，否则将CTFDC所反映的任务之间的相似程度通过fm(s)映射重新作为RMP的值，fm(s)函数由公式(3)所示，a1、b1由区间[0，1]和[0.3，1]根据如公式(4)所示的区间映射关系计算得到，[Nmax，Nmin]为目标区间，[Omax，Omin]原始区间，Ox，y为原始区间内任意一点；
RMP＝fm(s)＝a1·s+b1(3)



步骤4、变异：在满足rand(0，1)＜RMP，任务之间进行信息迁移并采用公式(5)来更新子代，其中，为随机在目标种群中选取的个体，为在源任务种群中选取的个体，F为缩放因子；否则，使用公式(6)DE/rand/1并更新子代个体的技能因子，为随机在目标种群中选取的个体，当通过任务间信息迁移的方式来产生子代时，以相同的概率选取源任务和目标任务来作为技能因子；否则，直接将目标任务作为子代的技能因子；






步骤5、交叉：对变异产生的个体进行交叉操作；
步骤6、评估：采用垂直文化传播机制来评估子代，当子代通过知识迁移产生时，子代携带了多个不同任务的信息，其父代拥有不同的技能因子，子代的技能因子以相同的概率随机继承父代的技能因子，当子代的产生不涉及多个任务之间的信息迁移时，子代直接继承父代的技能因子，子代直接在技能因子所表示的任务上进行评估；
步骤7、合并更新：将父代种群和子代种群进行合并，并更新合并种群个体的标量适应度值和技能因子；
步骤8、选择：将合并种群中个体根据标量适应度值进行排序，选出前N个较优的个体组成下一代种群；
步骤9、判断...

【专利技术属性】
技术研发人员：王磊，孙倩，江巧永，李薇，赵志强，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61