Generalisierte Multitasking für evolutionäre Optimierung teurer Probleme

Konventionelle evolutionäre Algorithmen (EAs) sind nicht gut geeignet zur Lösung teurer Optimierungsprobleme, da sie oft eine große Anzahl von Fitnessbewertung erfordern, um akzeptable Lösungen zu erzielen. Um die Schwierigkeiten zu mildern, präsentiert dieses Papier einen Multitasking-evolutionären Optimierungsrahmen zur Lösung von rechenintensiven Problemen. In diesem Rahmen wird Wissen aus einer Reihe von rechenkostengünstigen Optimierungsproblemen übertragen, um die Lösung des teuren Problems auf Basis des kürzlich vorgeschlagenen multifaktoriellen EAs (MFEA) zu unterstützen, was zu einer schnelleren Konvergenz des teuren Problems führt. Bestehende MFEAs funktionieren jedoch nicht gut, wenn es um die Lösung von Multitasking-Problemen geht, deren Optima nicht am selben Ort liegen oder wenn die Dimensionen des Entscheidungsspielraums nicht identisch sind. Um die oben genannten Probleme anzugehen, wird das bestehende MFEA generalisiert, indem zwei Strategien vorgeschlagen werden: eine für die Übersetzung der Entscheidungsvariablen und die andere für das Mischen der Entscheidungsvariablen, um den Wissenstransfer zwischen Optimierungsproblemen mit unterschiedlichen Standorten der Optima und verschiedenen Anzahl von Entscheidungsvariablen zu erleichtern. Um die Effektivität des generalisierten MFEA (G-MFEA) zu bewerten, wurden empirische Studien an acht Multitasking-Instantzen und acht Testproblemen für teure Optimierung durchgeführt. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene G-MFEA effizienter für Multitasking-Optimierung arbeitet und die Konvergenz teurer Optimierungsprobleme im Vergleich zur Einzelaufgabenoptimierung erfolgreich beschleunigt.