多任務(wù)優(yōu)化(Multi-task Optimization,MTO),也稱為多因子優(yōu)化(Multi-factorial Optimization,MFO),是優(yōu)化領(lǐng)域的一個新興研究方向。MTO旨在研究如何同時、有效地解決多個不同的目標優(yōu)化任務(wù)。在進化計算領(lǐng)域,與傳統(tǒng)單任務(wù)進化算法不同,多任務(wù)進化(Evolutionary Multi-tasking,EMT)算法在多個跨域任務(wù)之間實現(xiàn)知識遷移,使得多個跨域任務(wù)之間能夠共享潛在的相似性或互補性,進而同時加快多個任務(wù)的收斂。受啟發(fā)于多因子遺傳模型,多因子進化算法(Multi-factorial Evolutionary Algorithm,MFEA)是進化計算領(lǐng)域首個實現(xiàn)EMT的算法。MFEA算法在多個跨域任務(wù)之間建立統(tǒng)一的信息表示空間,通過選型交配和垂直文化傳輸實現(xiàn)跨域任務(wù)之間的隱式知識遷移,在大多數(shù)優(yōu)化問題上性能優(yōu)于傳統(tǒng)單任務(wù)進化算法。本文基于MFEA算法展開深入研究和分析,針對MFEA算法框架的不足之處,例如在優(yōu)化相似度較低的多個任務(wù)時,任務(wù)之間容易產(chǎn)生消極的知識遷移而導致優(yōu)化效果較差等,在原始MFEA算法的基礎(chǔ)上挖掘了可提升空間。此...

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 主要研究工作
    1.3 論文結(jié)構(gòu)安排
第2章 多因子進化算法
    2.1 引言
    2.2 MFEA算法框架
        2.2.1 相關(guān)定義
        2.2.2 統(tǒng)一編碼與解碼方案
        2.2.3 選型交配和垂直文化傳輸
        2.2.4 MFEA算法流程
    2.3 理論發(fā)展與應(yīng)用研究
    2.4 本章小結(jié)
第3章 基因轉(zhuǎn)換和超矩形搜索混合算法
    3.1 引言
    3.2 MFEA-GHS算法設(shè)計
        3.2.1 基因轉(zhuǎn)換策略
        3.2.2 超矩形搜索策略
        3.2.3 MFEA-GHS算法流程
    3.3 數(shù)值實驗及結(jié)果分析
        3.3.1 單目標多任務(wù)優(yōu)化測試問題
        3.3.2 多目標多任務(wù)優(yōu)化測試問題
        3.3.3 兩個策略獨立測試實驗
        3.3.4 參數(shù)敏感性測試實驗
    3.4 本章小結(jié)
第4章 基于多任務(wù)優(yōu)化的虛擬機放置算法
    4.1 引言
    4.2 虛擬機放置問題
        4.2.1 國內(nèi)外研究現(xiàn)狀
        4.2.2 問題描述
        4.2.3 分解操作對理論最優(yōu)解影響程度分析
    4.3 MFEA-VMP算法設(shè)計
        4.3.1 統(tǒng)一編碼方案
        4.3.2 交叉和變異算子設(shè)計
        4.3.3 基于貪心的放置算子設(shè)計
        4.3.4 重遷移與合并算子設(shè)計
        4.3.5 MFEA-VMP算法流程
    4.4 實驗方案及結(jié)果分析
        4.4.1 構(gòu)建測試數(shù)據(jù)集
        4.4.2 對比算法介紹
        4.4.3 實驗參數(shù)及評價指標設(shè)置
        4.4.4 大規(guī)模測試數(shù)據(jù)集實驗結(jié)果與分析
        4.4.5 超大規(guī)模測試數(shù)據(jù)集實驗結(jié)果與分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 研究工作總結(jié)
    5.2 未來工作展望
參考文獻
深圳大學指導教師對研究生學位論文的學術(shù)評語
學位論文答辯委員會決議書
附錄A 4.4小節(jié)中用于仿真實驗的虛擬機配置數(shù)據(jù)
致謝
攻讀碩士學位期間的研究成果



本文編號：3764833