基于相似历史信息迁移学习的进化优化框架

摘要：

现有进化算法大都从问题的零初始信息开始搜索最优解,没有利用先前解决相似问题时获得的历史信息,在一定程度上浪费了计算资源.将迁移学习的思想扩展到进化优化领域,本文研究一种基于相似历史信息迁移学习的进化优化框架.从已解决问题的模型库中找到与新问题匹配的历史问题,将历史问题对应的知识迁移到新问题的求解过程中,以提高种群的搜索效率.首先,定义一种基于多分布估计的最大均值差异指标,用来评价新问题与历史模型之间的匹配程度;接着,将相匹配的历史问题的知识迁移到新问题中,给出一种基于模型匹配程度的进化种群初始化策略,以加快算法的搜索速度;然后,给出一种基于迭代聚类的代表个体保存策略,保留求解过程中产生的优势信息,用于更新历史模型库;最后,将自适应骨干粒子群优化算法嵌入到所提框架,给出一种基于相似历史信息迁移学习的骨干粒子群优化算法.针对多个改进的典型测试函数,实验结果表明,所提迁移策略可以加速粒子群的搜索过程,显著提高算法的收敛速度和搜索效率.

关键词：进化优化、迁移学习、粒子群优化、模型匹配

所属期刊栏目：47

资助基金：国家自然科学基金61876185,61573364,61573362

在线出版日期：2021-04-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：652-665