Transfert de connaissances en deux étapes assisté par la direction de distribution pour l'optimisation multi-tâches

L'EMaTO s'efforce de résoudre simultanément plus de trois tâches d'optimisation en exploitant les similarités entre les tâches. Bien que les algorithmes existants aient montré des résultats prometteurs, ils sont confrontés à des défis majeurs dans les scénarios à faible similarité. Premièrement, les techniques de transfert existantes, qui reposent sur la localisation et la distribution de la population, deviennent inefficaces. Deuxièmement, la difficulté de sélectionner les connaissances appropriées augmente considérablement. Pour relever ces défis, nous introduisons un nouveau concept : la connaissance de la direction de distribution, c'est-à-dire la direction évolutive (ED) des solutions d'élite. Elle permet à la tâche cible d'apprendre de l'expérience de recherche des tâches sources présentant des tendances évolutives similaires. Afin d'utiliser efficacement cette connaissance, un algorithme d'optimisation multi-tâches évolutionnaire (EMaTO) avec transfert de connaissances en deux étapes assisté par la direction de distribution (DTSKT) est proposé. Tout d'abord, une stratégie MSS basée sur l'ED est proposée pour obtenir les connaissances appropriées dans différentes circonstances. Deuxièmement, nous concevons une stratégie de transfert de connaissances en deux étapes (TSKT) pour explorer les régions prometteuses, composée d'une approche orientée vers l'exploration et d'EiKT. De plus, afin d'obtenir directement la connaissance de la direction de distribution, l'EDA est appliqué comme optimiseur de base, révélant explicitement l'ED des populations en utilisant des distributions de probabilité. Ensuite, pour valider la capacité de DTSKT à traiter des tâches présentant différentes similarités, nous utilisons un générateur de problèmes de test pour créer une suite de référence multi-tâches plus difficile, nommée STOP. Les résultats sur les suites de référence WCCI20 et STOP, ainsi que sur une application en conditions réelles, démontrent que DTSKT surpasse globalement sept algorithmes de pointe.