基于自适应资源分配池的竞争合作群协同优化算法

合作协同优化是目前针对大规模优化问题的最有前景的算法之一,该算法通过分而治之策略划分子问题,以进行协同进化.不同的子问题根据演化状态的不同对整体改善的贡献大小也不一致,因此均匀分配计算资源会造成浪费.针对上述问题,提出一种新颖的基于自适应资源分配池策略和基于竞争的群优化集成的竞争合作群协同优化算法.首先,考虑到子问题的...     

信息迁移多任务优化共生生物搜索算法

针对现有共生生物搜索（SOS）算法只能求解单个任务,以及信息负迁移影响多任务优化（MTO）性能这两个难题,提出一个信息迁移多任务优化共生生物搜索（ITMTSOS）算法。首先基于多种群演化MTO框架,根据任务个数设置相应数量种群;然后各种群独立运行基本SOS算法,当某一种群连续若干代停滞进化时,引入个体自身最优经验和邻域最优个体以形成知识模块并将该模块迁移至该种群个体进化过程中;最后对ITMTSOS算法时间和空间复杂度进行分析。仿真实验结果表明,ITMTSOS算法同时求解多个不同形态高维函数时均能快速收敛至全局极值解0,与单任务SOS算法相比,平均运行时间最多缩短约25.25%;而在同时求解多维0/1背包问题和师生匹配问题时,所提算法在测试集weing1和weing7上的最优适应值与目前测试集公布的最优结果相比分别提高了22 767和22 602,师生最优匹配差和平均匹配差的绝对值分别下降了26和33,平均运行时间约缩短了7.69%。     

一种基于超粒子引导的自适应知识迁移多任务差分进化算法

针对传统多任务优化算法(MTEA)存在负向知识迁移、迁移算子效率低下等问题,提出一种基于超粒子引导的自适应知识迁移的多任务差分进化算法(SAKT＿MFDE).首先,通过任务之间的相似程度自适应地调节任务之间的交配概率,增大任务之间的正向迁移;其次,利用超粒子引导算法的搜索方向,进一步提升算法整体的优化效率;最后,通过多任务基准函数进行仿真实验来评价改进算法的寻优性能.实验结果表明,所提出算法可以有效规避任务之间的负向迁移,提高相似度较低的任务组的优化性能.     

基于两层知识迁移的多代理多任务优化方法

进化多任务优化是计算智能领域一个新兴的研究方向,它致力于研究通过进化算法如何同时、有效地求解多个优化问题,从而提高单独求解每个任务的性能。基于此,提出了一种基于两层知识迁移的多代理多任务优化算法(AMS-MTO),其通过在代理间和代理内同时进行知识迁移来达到跨域优化的目的。具体来讲,代理内的知识迁移是通过差分进化实现决策变量信息的跨维迁移,从而避免算法陷入局部最优;代理间的学习采用了隐式知识迁移和显式知识迁移两种策略。隐式知识迁移利用种群的选择性交叉来产生后代,促进遗传信息的交流;显式知识迁移是对精英个体的迁移,可以弥补隐式迁移随机性很强的缺点。为了评估两层知识迁移的多代理多任务优化方法的有效性,在8个高达100维的基准问题上进行了实证研究,同时给出了收敛证明,并将其与现有的算法进行了对比。实验结果表明,在求解单目标优化的昂贵问题时,AMS-MTO算法效率更高,性能更好,收敛速度更快。     

多任务优化算法及应用研究综述

进化多任务优化(EMTO)是进化计算中一种新型方法,它可以同时解决多个相关的优化任务,并通过任务之间的知识转移增强每个任务的优化。近年来,越来越多的进化多任务优化相关研究致力于利用它强大的并行搜索能力和降低计算成本的潜力优化各种问题,并且EMTO已应用于各种各样的实际场景当中。从EMTO的原理、核心设计、应用以及挑战四个方面对EMTO的算法及应用进行了讨论。首先介绍了EMTO的大致分类,分别从两个层次、四个方面介绍,包括单种群多任务、多种群多任务、辅助任务形式以及多形式任务形式;其次介绍EMTO的核心组件设计,包括任务构建以及知识转移;最后对它的各种应用场景进行介绍,并对今后研究做了总结与展望。     

基于Q学习的多任务多目标粒子群优化算法

多任务粒子群优化算法(multi-task particle swarm ptimization, MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而, MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM2PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的QM2PSO算法具有更优越的收敛性.     

信息筛选多任务优化自组织迁移算法

针对现有自组织迁移算法(SOMA)只能求解单个优化问题及其隐并行性未能被充分挖掘的缺陷,提出信息筛选多任务优化自组织迁移算法(SOMAMIF)实现同一时刻处理多个优化问题.首先,构造多任务统一搜索空间,并根据任务个数设置相应的子种群;然后,对各子种群当前最优适应值进行判断,当任务连续若干代停滞进化时则产生信息交互需...     

基于种群多样性控制的多级信息迁移多任务优化粒子群算法

基于群体智能“隐并行性”实现多任务优化已取得一系列研究成果,但任务间频繁的垂直信息传递导致种群异质性过度增加,进而产生信息负迁移消极影响,这也是目前多任务优化领域尚未完全解决的难题之一.针对此问题,首先将粒子群算法(PSO)与多种群演化信息共享机制相结合,然后引入标杆管理思想实现多层级信息迁移及智能涌现,最后通过计算种群多样性指数有效控制信息迁移频率,提出多级信息迁移多任务优化PSO算法(multi-level information transfer multi-task PSO, MITMPSO).仿真实验表明,通过设置合理的信息迁移阈值,MITMPSO能在多项式时间内显著提高多任务高维函数优化、多任务多约束函数优化以及多任务二元离散优化问题的求解质量,加快各优化问题的收敛速度.     

基于机器学习的演化多任务优化框架

演化多任务优化是近年来计算智能领域的研究热点之一,其原理是通过任务间的知识转移提高演化算法同时求解多个任务的效率.由于任务间相似性对促进任务之间的正向知识转移具有重要的影响,因此,如何度量任务间的相似性成为了重点研究方向之一.目前,演化多任务优化在处理两个任务时,辅助任务的选取仅限于两者之一,且在处理超多任务时对任务间知识的转移缺乏灵活性.为此,本文提出一个基于机器学习的演化多任务优化框架,命名为MaTML.该框架联合所有任务关联的子种群形成一个统一的初始化种群,利用目标任务的技能因子及其对应的种群个体分别构建标签和训练集,应用十折交叉法拟合模型,并运用模型预测与目标任务相似的个体以组成辅助种群,从而促进演化优化中的正向知识转移.本文提出的算法能够在动态的种群个体中找到目标任务的辅助种群,不仅可以为三个或以上的多任务优化灵活地选取相似辅助任务,而且解决了当任务数量为两个时有效地选择辅助任务的问题.通过与现阶段的多任务算法和超多任务算法分别在CEC2017问题测试集和WCCI2020SO问题测试集进行比较,实验结果证实MaTML在优化多任务问题时具有更优或竞争性的性能.此外,文中还详细研...     

基于KnCMPSO算法的异构无人机协同多任务分配

随着无人机(Unmanned aerial vehicle, UAV)技术的广泛应用和执行任务的日益复杂, 无人机多机协同控制面临着新的挑战. 以无人机总飞行距离和任务完成时间为优化目标, 同时考虑异构无人机类型、任务执行时序等多种实际约束, 构建基于多种约束条件的异构无人机协同多任务分配模型. 该模型不仅包含混合变量, 同时还存在多个复杂的约束条件, 因此, 传统的多目标优化算法并不能有效地处理混合变量及对问题空间进行搜索并生成满足多种约束条件的可行解. 为高效求解上述模型, 提出一种基于拐点的协同多目标粒子群优化算法(Knee point based coevolution multi-objective particle swarm optimization, KnCMPSO), 该算法引入基于拐点的学习策略来更新外部档案集, 在保证收敛性的同时增加种群的多样性, 使算法能搜索到更多可行的任务分配结果; 并基于二进制交叉方法, 引入基于学习的粒子更新策略来提升算法的收敛性及基于区间扰动的局部搜索策略以提升算法的多样性. 最后通过在四组实例上的仿真实验验证了所提算法在求解异构无人机协同多任务分配问题上的有效性.     

进化迁移优化算法综述

进化算法是模拟自然界生物进化的启发式算法,具有良好的搜索能力和灵活性且广泛用于复杂优化问题的求解,但在求解过程中默认问题先验知识为零,然而由于问题很少孤立存在,解决单一任务积累的经验可迁移至其他相关任务。进化迁移优化算法利用相关领域的知识学习和迁移,实现了更好的优化效率和性能。介绍进化迁移优化算法的基本分类,从源任务选择、知识迁移、缩小搜索空间差异、进化算法搜索、进化资源分配等5个角度出发对主流进化迁移优化算法的核心策略和优劣势进行梳理和分析。通过中国知网和WOS平台对2014年至2021年的进化迁移优化相关文献进行检索,运用知识图谱进行数据挖掘、信息处理、知识计量和图形绘制,根据进化迁移优化的发展趋势和经验分析总结了其面临的主要挑战和未来研究方向。     

基于粒子群算法的多用户OFDM系统自适应资源分配

在分析多用户OFDM系统模型的基础上,得出多用户OFDM系统的自适应资源分配的目标函数,然后利用粒子群优化算法对其进行了优化。为了提高粒子群优化算法的全局收敛性的收敛速度,将禁忌搜索策略和变异操作引入到基本粒子群优化算法之中。仿真结果表明,改进的粒子群优化算法可以非常有效地解决多用户OFDM系统自适应资源分配问题。     

演化多任务优化研究综述

演化多任务优化研究利用种群进行优化搜索、借助任务间遗传信息的迁移达到多任务同时处理的目的.演化多任务优化被认为是继单目标优化、多目标优化后的第三种问题优化研究范例,是近年来计算智能领域兴起的一大研究热点.演化多任务优化算法模拟自然界选型交配和垂直文化传播的生物文化现象,通过任务间和任务内的知识迁移来促进多个优化任务各自的收敛.对近年来演化多任务优化领域的研究进展做出了系统总结:首先,引入了演化多任务优化问题的概念,给出了其相关的5个定义,并从知识迁移优化的角度对这一问题做出阐述;然后,详细介绍了演化多任务优化算法的基本框架,总结了这一算法近年来的改进情况和基于这一算法框架下其他经典算法的实现情况;之后,对演化多任务优化算法的学术、工程应用情况做出了较为完整的归纳介绍;最后,指出了演化多任务优化领域目前存在的主要问题和挑战,并对这一方向的进一步发展做出了展望.     

基于负载均衡的物联网多任务资源分配系统

优化物联网多任务资源分配,可以提升物联网多任务资源分配调度的执行效率。基于此,笔者提出基于负载均衡的物联网多任务资源分配系统设计,硬件组成有网络接口层和WMN网络路由选择;软件设计包括任务分解模块、自主动态调度和物联网通信资源负载均衡调度模型3部分。通过实验对比图可知,随着资源量的增加,资源分配效率也不断提升,实验证明本文设计的资源分配系统在任务分配效率上远高于传统系统。     

多任务优化算法综述

基于计算智能“隐并行性”实现多任务优化(multi-task optimization, MTO),是当前研究的热点和前沿技术.与传统单任务优化算法相比,通过挖掘群体智能内在并行和内涵并行同时优化多个任务,可显著提高问题求解质量以及缩短任务求解时间.首先,对MTO相关英文/中文文献进行梳理,总结MTO研究进展和趋势;然后,基于多因子优化(multifactorial optimization, MFO)和多种群演化(multi-population evolution, MPE)两种不同信息共享框架,从多任务搜索空间设计、种群数量、种群规模、依托算法、信息迁移节点、交互信息、时间和空间复杂度以及复杂系统等角度对比二者异同;接着,从信息迁移节点、方式和类型3方面重点阐述MTO核心理论;最后,从探究MTO复杂系统层级智能涌现行为、多任务种群多样性控制以及应用领域拓展3方面展望未来研究方向.     

LeCMPSO算法求解异构无人机协同多任务重分配问题

无人机系统在军事领域有着广泛应用, 由于战场环境复杂多变, 无人机遭遇突发状况后需进行任务重分配.异构无人机是指多种类型的无人机, 可完成单一无人机无法完成的多类型复杂任务, 异构无人机协同多任务重分配问题约束条件复杂且包含混合变量, 现有多目标优化算法不能有效处理此类问题. 为高效求解上述问题, 本文构建多约束异构无人机协同多任务重分配问题模型, 提出一种学习引导的协同多目标粒子群优化算法(LeCMPSO), 该算法引入基于先验知识的初始化策略和基于历史信息学习的粒子更新策略, 能有效避免不可行解的产生并提升算法的搜索效率. 通过在4组实例上的仿真实验表明, 与其他典型的协同进化多目标优化算法相比, 所提算法在解集的多样性、收敛性及搜索时间方面均具有较好的性能.     

支持D2D通信的蜂窝网自适应资源分配算法

针对蜂窝与D2D混合网络中资源分配技术不具有自适应性、造成资源浪费的问题,提出一种根据实际网络环境自适应调整的资源分配方案,并设计两阶段的资源分配算法对该方案进行求解。第一阶段根据用户间的干扰自适应调整使用每个资源块的用户个数和D2D用户可使用的资源块个数,第二阶段利用改进的粒子群算法以吞吐量最大为目标分配功率。仿真结果表明,该算法的性能与穷举搜索最优算法最相近,且系统吞吐量和D2D用户的接入率都明显大于固定分配的算法。     

MSs-MEC中基于DRL的服务缓存和任务迁移联合优化算法

多服务移动边缘计算（multiple-services mobile edge computing,MSs-MEC）能根据需求自适应调整服务缓存决策,使得部署在用户侧的边缘服务器能够灵活处理不同服务类型的任务。但在实际应用中,特定类型任务的成功迁移依赖于服务环境的提前安装。此外,同时进行任务迁移和服务缓存可能会因时间冲突而导致计算延时。因此,针对上述相关问题,首先将任务迁移和服务缓存决策进行解耦,针对深度强化学习（deep reinforcement learning,DRL）在具有高维的混合决策空间的性能提升不明显的缺点（例如资源分配时利用率不高）,将DRL与Transformer结合,通过在历史数据中学习,输出当前时隙的任务迁移决策和下一时隙的任务决策,保证任务到达边缘服务器时能立即执行。其次,为了提高资源分配问题中的资源利用率,将问题分解为连续资源分配问题和离散的任务迁移与服务缓存问题,利用凸优化技术求解资源分配最优决策。广泛的数值结果表明,与其他基线算法相比,提出的算法能有效地减少任务的平均完成时延,同时在资源利用率和稳定性方面也有优异的表现。     

基于D2D协同的边缘计算迁移机制研究

为了缓解边缘网络通信压力、降低物联网设备对服务节点的计算与通信负荷,提出了一种基于Device-to-Device (D2D)协同的边缘计算迁移机制。具体而言,通过综合考虑D2D设备、边缘节点的迁移决策以及传输功率分配,规划了一个任务完成总能耗最小化的优化问题,进一步,定义了D2D设备的积极性度量约束以促进D2D设备与普通用户间的协作。同时,提出了基于动态感知蝙蝠群体的高效计算迁移算法(Dynamic Sensing Bat Population-Based Efficient Computation Offloading Algorithm, DSBP-ECOA)。该算法融合经典蝙蝠算法思想,引入一种自适应的动态惯性权重,以通过实时感知环境变化调整蝙蝠群体的移动方向和速度,并采用混沌映射理论对种群进行初始化。最后,仿真结果表明,所提方案能够以较快的速度收敛,并获得最优迁移和功率分配策略,与其他几种基准方案相比,该方案在降低系统能耗方面具有较大的优势。     

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%。