基于协方差矩阵调整的多目标多任务优化算法

多任务进化（EMT）是进化计算领域的一个新兴研究方向，区别于传统的单任务搜索算法，EMT通过在任务间传递有用知识，对多个任务同时实施进化搜索，以提升多个任务的收敛性能。目前，大多数进化算法只考虑了知识迁移而忽略了任务间的联系。提出一种多目标多任务优化算法，结合迁移学习的思想，采用任务间种群的协方差矩阵差异表示任务间种群分布特征差异，使用任务间种群均值的距离表示任务间种群的分布距离，并通过任务间种群的分布特征差异和分布距离表示任务间的相似度。对于某个目标任务，将其最相似任务中的解集实施K最近邻分类，以筛选出对目标任务有价值的解，并使其迁移到目标任务中。实验结果表明，与EMTSD、MaTEA、MO-MFEA-II等多目标多任务优化算法相比，所提算法具有较佳的收敛性能，平均运行效率约提高了66.62%。