Key points are not available for this paper at this time.
Le multitâche évolutif (EMT) est une direction de recherche émergente dans le domaine de l'informatique évolutionnaire. L’EMT résout simultanément plusieurs tâches d'optimisation à l'aide d'algorithmes évolutionnaires dans le but d'améliorer la solution pour chaque tâche via le transfert de connaissances inter-tâches. L'efficacité du transfert de connaissances inter-tâches est la clé du succès de l'EMT. L'algorithme évolutif multifactoriel (MFEA) représente l'un des paradigmes d'implémentation les plus largement utilisés de l'EMT. Cependant, il a tendance à souffrir d'un transfert de connaissances inefficace, voire négatif. Pour résoudre ce problème et améliorer les performances de MFEA, nous incorporons une multi-objectivation basée sur la connaissance préalable via la décomposition (MVD) dans MFEA pour construire des tâches d'aide mémétiques fortement liées. Dans la méthode proposée, MVD crée un problème d'optimisation multi-objectifs associé pour chaque tâche composante sur la base de la structure du problème correspondant ou de la groupement des variables de décision afin d'améliorer le transfert positif de connaissances inter-tâches. MVD peut réduire le nombre d'optima locaux et augmenter la diversité de la population. Des expériences comparatives sur les problèmes de test largement utilisés démontrent que les tâches d'aide mémétiques construites peuvent utiliser les connaissances préalables des problèmes cibles pour améliorer les performances de MFEA.
Ma et al. (mar.) ont étudié cette question.