基于多任务进化算法的连续优化研究

发布时间：2021-10-11 23:12

　　多任务进化是进化计算和优化领域内新兴的子领域,它采用了多任务学习的思想,能够同时地解决多个优化问题。相对于一次只解决一个优化问题的经典进化算法,多任务进化算法可以有效地利用不同任务间存在的共性或互补性,从而促进种群的进化。这是容易理解的,在不同任务间迁移有用的信息,可以提升进化算法在多任务优化问题中的效率。本文主要关注如何解决单目标多任务的连续优化问题,也就是如何同时解决多个目标函数值为标量的连续优化问题。主要分为如下三个部分:（1）首先介绍基于遗传算法的多任务进化算法,我们提出了一种新的容易实现的多任务遗传算法,它能够估计并使用任务间的偏差,从而能较好地解决多个显著不同的优化任务。最后通过广泛的实验验证了我们提出的多任务遗传算法具有优异的性能。（2）进一步提出了多任务差分进化,它在多任务遗传算法的框架下,使用差分进化来搜索每个任务的最优解。大量的实验验证了多任务差分进化也具有优异的性能,在多个测试问题中均取得了最好的结果。另外,实验还验证了考虑任务间的偏差是重要的,并且估计的偏差一般会随着种群的进化而变得越来越准确。（3）首次将多任务优化应用于模糊控制器设计,在设计的过程中采用多任务... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 进化算法
    1.2 多任务学习
    1.3 多任务进化算法
    1.4 本文主要研究内容
2 基于遗传算法的多任务进化算法
    2.1 多因素进化算法
    2.2 多任务遗传算法
    2.3 实验部分
    2.4 本章小结
3 基于差分进化的多任务进化算法
    3.1 差分进化算法
    3.2 多因素差分进化
    3.3 多任务差分进化
    3.4 实验部分
    3.5 本章小结
4 模糊控制器设计中的应用
    4.1 模糊逻辑系统
    4.2 水箱系统
    4.3 适应函数
    4.4 模糊控制器的结构和参数
    4.5 实验部分
    4.6 本章小结
5 结论
    5.1 全文总结与展望
致谢
参考文献
附录1 攻读学位期间发表论文目录
附录2 测试问题



本文编号：3431423