智能優(yōu)化算法,如模擬退火算法、粒子群算法、進(jìn)化算法等,是一系列從自然界獲得靈感,為解決復(fù)雜優(yōu)化問題而提出的啟發(fā)式算法。與經(jīng)典的優(yōu)化方法相比,如梯度下降法、牛頓法,智能優(yōu)化算法對目標(biāo)函數(shù)具體形式依賴性小、相對不容易陷入局部最優(yōu)且能廣泛應(yīng)用到不同類型的優(yōu)化問題當(dāng)中。然而,傳統(tǒng)的智能優(yōu)化算法每一次執(zhí)行過程都只解決一個問題,它們無法利用問題之間的相似特性,通過問題間的相互協(xié)同提高優(yōu)化性能。不同于傳統(tǒng)的智能優(yōu)化算法,多任務(wù)智能優(yōu)化旨在同時解決多個不同的優(yōu)化問題,通過任務(wù)間的知識遷移,獲得更好的優(yōu)化性能。多任務(wù)智能優(yōu)化的提出是基于云計算的迅速普及。同時解決多個不同任務(wù)是云計算平臺的基本功能要求,而多任務(wù)優(yōu)化算法能為云計算框架下的多任務(wù)處理提供強有力的支撐。但是,多任務(wù)智能優(yōu)化概念相對較新,屬于智能優(yōu)化領(lǐng)域的一個新方向,相關(guān)的研究還處于起步階段,仍然有很多的問題需要探索和解決。本文以多任務(wù)算法中任務(wù)間的知識遷移為基本切入點,展開高性能多任務(wù)智能優(yōu)化算法的設(shè)計與研究。主要研究內(nèi)容包括以下幾個方面:（1）研究采用不同交叉算子進(jìn)行知識遷移對多任務(wù)優(yōu)化算法性能的影響。同時,為了得到更具魯棒性的多任務(wù)優(yōu)化性能... 

【文章來源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：109 頁

【學(xué)位級別】：博士

【部分圖文】：

MFO算法框架示意圖

重慶大學(xué)博士學(xué)位論文14算法2.3垂直文化傳播（VerticalCulturalTransmission）3.if(<.)then4.繼承的技能因子→此后，只在任務(wù)上進(jìn)行評估；5.else6.繼承的技能因子→此后，只在任務(wù)上進(jìn)行評估；7.endif8.else9.繼承的技能因子→此后，只在任務(wù)上進(jìn)行評估；10.endif11.在未做評估的任務(wù)上的因子開銷都被設(shè)為無窮大。2.3針對連續(xù)優(yōu)化問題的交叉算子交叉操作作為個體之間交換遺傳信息的一種方式，在傳統(tǒng)進(jìn)化算法的設(shè)計中起著至關(guān)重要的作用。因此在當(dāng)前文獻(xiàn)中，研究者們針對不同的優(yōu)化問題設(shè)計了很多不同的交叉算子[46-48]。本節(jié)將根據(jù)文獻(xiàn)[49]的三個分類，介紹針對連續(xù)優(yōu)化問題的幾種常用的交叉算子。同時，本節(jié)還將討論這些交叉算子在進(jìn)行知識遷移時所具有的行為。為了方便闡述，本節(jié)將父代個體和子代個體分別表示為和。和表示和的第維元素。所有個體的總維度是。①離散型交叉算子：在此類別中，子代個體的每個維度都準(zhǔn)確地繼承了來自某一個父代個體的知識，如圖2.1所示。該類中的交叉算子包括單點交叉[33]，兩點交叉[33]和均勻交叉算子[34]等。在本章中，兩點交叉和均勻交叉算子作為代表在實驗中研究，兩個算子的詳細(xì)定義如下：圖2.1子代個體的每個維度都準(zhǔn)確地繼承了來自某一個父代個體的知識Fig.2.1Eachdimensionoftheoffspringinheritstheexactknowledgefromoneoftheparents.兩點交叉算子：隨機選擇兩個位置,∈{1,2,…,}(<)，然后將兩個父代個體的第到段交換，從而得到兩個子代個體。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基于自適應(yīng)知識遷移的多因子進(jìn)化算法15均勻交叉算子：子代個體的每一個維度的值等概率地從兩個父代個體的對應(yīng)位置中隨機選齲1(or2)={1,=02,=1(2.3)其中，在0或1中隨機取值。②基于聚合的交叉算子：基于聚合的交叉算子會通過一個聚合函數(shù)將兩個父代個體的混合知識傳遞給子代個體，如圖2.2所示。當(dāng)聚合函數(shù)確定時，根據(jù)父代個體得到的子代個體也就隨之確定，因此其相對應(yīng)的知識遷移具有一定的確定性。屬于基于聚合的交叉算子有算術(shù)交叉算子[50]，幾何交叉算子[40]和線性交叉算子（LX）[51]等。在本章中，以算術(shù)交叉和幾何交叉算子作為代表在實驗中研究，兩個算子的詳細(xì)定義如下：圖2.2使用一個聚合函數(shù)f來融合兩個父代個體的知識Fig.2.2Anaggregationfunctionisutilizedtomergetheknowledgeoftwoparents.算術(shù)交叉算子：子代個體的每一個維度的值是兩個父代個體的對應(yīng)位置值的線性組合。1=λ1+(1λ)2(2.4)2=λ2+(1λ)1(2.5)其中，λ是在[0,1]中取值的預(yù)置參數(shù)。幾何交叉算子：子代個體的每一個維度的值是兩個父代個體的對應(yīng)位置值的指數(shù)組合。1=121(2.6)2=211(2.7)其中，是在[0,1]中取值的預(yù)置參數(shù)。③基于鄰域的交叉算子：在該類中，兩個父代個體的同一維度的值所形成的區(qū)間被定義為鄰域。屬于該類的交叉算子根據(jù)一個預(yù)先定義的概率分布模型，獲取鄰域中的知識傳遞給子代個體。因此，該組的交叉算子在生成子代個體的時候會產(chǎn)生更多的變化。比較有代表性的交叉算子有模糊重組算子（FR）[52]，BLX-α交叉算子[53]和SBX交叉

【參考文獻(xiàn)】：
期刊論文
[1]動態(tài)車輛路徑問題的研究進(jìn)展及發(fā)展趨勢[J]. 周鮮成,王莉,周開軍,黃興斌.  控制與決策. 2019(03)
[2]眾包車輛路徑問題[J]. 萬勇平.  物流科技. 2018(07)
[3]自適應(yīng)混合粒子群優(yōu)化算法求解大規(guī)模旅行商問題[J]. 張江維.  計算機應(yīng)用與軟件. 2015(12)
[4]基于內(nèi)部罰函數(shù)的進(jìn)化算法求解約束優(yōu)化問題[J]. 崔承剛,楊曉飛.  軟件學(xué)報. 2015(07)
[5]多車場車輛路徑問題的改進(jìn)粒子群算法[J]. 王鐵君,鄔開俊.  計算機工程與應(yīng)用. 2013(02)
[6]帶有隨機需求的車輛路徑選擇問題算法研究[J]. 呂萌,朱金福,王瑞凱.  交通信息與安全. 2012(02)
[7]一種求解約束優(yōu)化問題的改進(jìn)差分進(jìn)化算法[J]. 黃章俊,王成恩,馬明旭.  東北大學(xué)學(xué)報(自然科學(xué)版). 2009(07)



本文編號：3590042