基于知识迁移的高性能多任务智能优化算法的设计与研究
发布时间：2022-01-15 05:58
智能优化算法,如模拟退火算法、粒子群算法、进化算法等,是一系列从自然界获得灵感,为解决复杂优化问题而提出的启发式算法。与经典的优化方法相比,如梯度下降法、牛顿法,智能优化算法对目标函数具体形式依赖性小、相对不容易陷入局部最优且能广泛应用到不同类型的优化问题当中。然而,传统的智能优化算法每一次执行过程都只解决一个问题,它们无法利用问题之间的相似特性,通过问题间的相互协同提高优化性能。不同于传统的智能优化算法,多任务智能优化旨在同时解决多个不同的优化问题,通过任务间的知识迁移,获得更好的优化性能。多任务智能优化的提出是基于云计算的迅速普及。同时解决多个不同任务是云计算平台的基本功能要求,而多任务优化算法能为云计算框架下的多任务处理提供强有力的支撑。但是,多任务智能优化概念相对较新,属于智能优化领域的一个新方向,相关的研究还处于起步阶段,仍然有很多的问题需要探索和解决。本文以多任务算法中任务间的知识迁移为基本切入点,展开高性能多任务智能优化算法的设计与研究。主要研究内容包括以下几个方面:（1）研究采用不同交叉算子进行知识迁移对多任务优化算法性能的影响。同时,为了得到更具鲁棒性的多任务优化性能...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：109 页
【学位级别】：博士
【部分图文】：
MFO算法框架示意图
重庆大学博士学位论文14算法2.3垂直文化传播（VerticalCulturalTransmission）3.if(<.)then4.继承的技能因子→此后，只在任务上进行评估；5.else6.继承的技能因子→此后，只在任务上进行评估；7.endif8.else9.继承的技能因子→此后，只在任务上进行评估；10.endif11.在未做评估的任务上的因子开销都被设为无穷大。2.3针对连续优化问题的交叉算子交叉操作作为个体之间交换遗传信息的一种方式，在传统进化算法的设计中起着至关重要的作用。因此在当前文献中，研究者们针对不同的优化问题设计了很多不同的交叉算子[46-48]。本节将根据文献[49]的三个分类，介绍针对连续优化问题的几种常用的交叉算子。同时，本节还将讨论这些交叉算子在进行知识迁移时所具有的行为。为了方便阐述，本节将父代个体和子代个体分别表示为和。和表示和的第维元素。所有个体的总维度是。①离散型交叉算子：在此类别中，子代个体的每个维度都准确地继承了来自某一个父代个体的知识，如图2.1所示。该类中的交叉算子包括单点交叉[33]，两点交叉[33]和均匀交叉算子[34]等。在本章中，两点交叉和均匀交叉算子作为代表在实验中研究，两个算子的详细定义如下：图2.1子代个体的每个维度都准确地继承了来自某一个父代个体的知识Fig.2.1Eachdimensionoftheoffspringinheritstheexactknowledgefromoneoftheparents.两点交叉算子：随机选择两个位置,∈{1,2,…,}(<)，然后将两个父代个体的第到段交换，从而得到两个子代个体。1=(11,12,…,2,2+1,…,2,1+1,…,1)(2.1)2=(21,22,…,1,1+1,…,1,2+1,…,2)(2.2)
2基于自适应知识迁移的多因子进化算法15均匀交叉算子：子代个体的每一个维度的值等概率地从两个父代个体的对应位置中随机选龋1(or2)={1,=02,=1(2.3)其中，在0或1中随机取值。②基于聚合的交叉算子：基于聚合的交叉算子会通过一个聚合函数将两个父代个体的混合知识传递给子代个体，如图2.2所示。当聚合函数确定时，根据父代个体得到的子代个体也就随之确定，因此其相对应的知识迁移具有一定的确定性。属于基于聚合的交叉算子有算术交叉算子[50]，几何交叉算子[40]和线性交叉算子（LX）[51]等。在本章中，以算术交叉和几何交叉算子作为代表在实验中研究，两个算子的详细定义如下：图2.2使用一个聚合函数f来融合两个父代个体的知识Fig.2.2Anaggregationfunctionisutilizedtomergetheknowledgeoftwoparents.算术交叉算子：子代个体的每一个维度的值是两个父代个体的对应位置值的线性组合。1=λ1+(1λ)2(2.4)2=λ2+(1λ)1(2.5)其中，λ是在[0,1]中取值的预置参数。几何交叉算子：子代个体的每一个维度的值是两个父代个体的对应位置值的指数组合。1=121(2.6)2=211(2.7)其中，是在[0,1]中取值的预置参数。③基于邻域的交叉算子：在该类中，两个父代个体的同一维度的值所形成的区间被定义为邻域。属于该类的交叉算子根据一个预先定义的概率分布模型，获取邻域中的知识传递给子代个体。因此，该组的交叉算子在生成子代个体的时候会产生更多的变化。比较有代表性的交叉算子有模糊重组算子（FR）[52]，BLX-α交叉算子[53]和SBX交叉
【参考文献】：
期刊论文
[1]动态车辆路径问题的研究进展及发展趋势[J]. 周鲜成,王莉,周开军,黄兴斌. 控制与决策. 2019(03)
[2]众包车辆路径问题[J]. 万勇平. 物流科技. 2018(07)
[3]自适应混合粒子群优化算法求解大规模旅行商问题[J]. 张江维. 计算机应用与软件. 2015(12)
[4]基于内部罚函数的进化算法求解约束优化问题[J]. 崔承刚,杨晓飞. 软件学报. 2015(07)
[5]多车场车辆路径问题的改进粒子群算法[J]. 王铁君,邬开俊. 计算机工程与应用. 2013(02)
[6]带有随机需求的车辆路径选择问题算法研究[J]. 吕萌,朱金福,王瑞凯. 交通信息与安全. 2012(02)
[7]一种求解约束优化问题的改进差分进化算法[J]. 黄章俊,王成恩,马明旭. 东北大学学报(自然科学版). 2009(07)
本文编号：3590042
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：109 页
【学位级别】：博士
【部分图文】：
MFO算法框架示意图
重庆大学博士学位论文14算法2.3垂直文化传播（VerticalCulturalTransmission）3.if(<.)then4.继承的技能因子→此后，只在任务上进行评估；5.else6.继承的技能因子→此后，只在任务上进行评估；7.endif8.else9.继承的技能因子→此后，只在任务上进行评估；10.endif11.在未做评估的任务上的因子开销都被设为无穷大。2.3针对连续优化问题的交叉算子交叉操作作为个体之间交换遗传信息的一种方式，在传统进化算法的设计中起着至关重要的作用。因此在当前文献中，研究者们针对不同的优化问题设计了很多不同的交叉算子[46-48]。本节将根据文献[49]的三个分类，介绍针对连续优化问题的几种常用的交叉算子。同时，本节还将讨论这些交叉算子在进行知识迁移时所具有的行为。为了方便阐述，本节将父代个体和子代个体分别表示为和。和表示和的第维元素。所有个体的总维度是。①离散型交叉算子：在此类别中，子代个体的每个维度都准确地继承了来自某一个父代个体的知识，如图2.1所示。该类中的交叉算子包括单点交叉[33]，两点交叉[33]和均匀交叉算子[34]等。在本章中，两点交叉和均匀交叉算子作为代表在实验中研究，两个算子的详细定义如下：图2.1子代个体的每个维度都准确地继承了来自某一个父代个体的知识Fig.2.1Eachdimensionoftheoffspringinheritstheexactknowledgefromoneoftheparents.两点交叉算子：随机选择两个位置,∈{1,2,…,}(<)，然后将两个父代个体的第到段交换，从而得到两个子代个体。1=(11,12,…,2,2+1,…,2,1+1,…,1)(2.1)2=(21,22,…,1,1+1,…,1,2+1,…,2)(2.2)
2基于自适应知识迁移的多因子进化算法15均匀交叉算子：子代个体的每一个维度的值等概率地从两个父代个体的对应位置中随机选龋1(or2)={1,=02,=1(2.3)其中，在0或1中随机取值。②基于聚合的交叉算子：基于聚合的交叉算子会通过一个聚合函数将两个父代个体的混合知识传递给子代个体，如图2.2所示。当聚合函数确定时，根据父代个体得到的子代个体也就随之确定，因此其相对应的知识迁移具有一定的确定性。属于基于聚合的交叉算子有算术交叉算子[50]，几何交叉算子[40]和线性交叉算子（LX）[51]等。在本章中，以算术交叉和几何交叉算子作为代表在实验中研究，两个算子的详细定义如下：图2.2使用一个聚合函数f来融合两个父代个体的知识Fig.2.2Anaggregationfunctionisutilizedtomergetheknowledgeoftwoparents.算术交叉算子：子代个体的每一个维度的值是两个父代个体的对应位置值的线性组合。1=λ1+(1λ)2(2.4)2=λ2+(1λ)1(2.5)其中，λ是在[0,1]中取值的预置参数。几何交叉算子：子代个体的每一个维度的值是两个父代个体的对应位置值的指数组合。1=121(2.6)2=211(2.7)其中，是在[0,1]中取值的预置参数。③基于邻域的交叉算子：在该类中，两个父代个体的同一维度的值所形成的区间被定义为邻域。属于该类的交叉算子根据一个预先定义的概率分布模型，获取邻域中的知识传递给子代个体。因此，该组的交叉算子在生成子代个体的时候会产生更多的变化。比较有代表性的交叉算子有模糊重组算子（FR）[52]，BLX-α交叉算子[53]和SBX交叉
【参考文献】：
期刊论文
[1]动态车辆路径问题的研究进展及发展趋势[J]. 周鲜成,王莉,周开军,黄兴斌. 控制与决策. 2019(03)
[2]众包车辆路径问题[J]. 万勇平. 物流科技. 2018(07)
[3]自适应混合粒子群优化算法求解大规模旅行商问题[J]. 张江维. 计算机应用与软件. 2015(12)
[4]基于内部罚函数的进化算法求解约束优化问题[J]. 崔承刚,杨晓飞. 软件学报. 2015(07)
[5]多车场车辆路径问题的改进粒子群算法[J]. 王铁君,邬开俊. 计算机工程与应用. 2013(02)
[6]带有随机需求的车辆路径选择问题算法研究[J]. 吕萌,朱金福,王瑞凯. 交通信息与安全. 2012(02)
[7]一种求解约束优化问题的改进差分进化算法[J]. 黄章俊,王成恩,马明旭. 东北大学学报(自然科学版). 2009(07)
本文编号：3590042
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3590042.html
