[发明专利]基于异常检测模型的进化多任务优化算法

说明书

本发明公开了基于异常检测模型的进化多任务优化算法，包括：在基于EMTO范式的多种群框架下，分别初始化多个任务种群、ADEOEA的参数，参数包括交叉概率、突变步长的平均值、成功个体对应的集合等；采用ADEOEA进行任务内种群演化，得到子代种群；利用LOF算法选取符合目标任务偏好的转移解；合并父代和子代种群以及LOF产生的转移解，根据其适应度评估值选取成功个体；将优于父代个体的成功个体的交叉概率、突变步长存档至集合，并对其均值进行更新，再利用更新后的均值计算下一代的交叉概率、突变步长；判断适应度评估次数是否小于最大函数评价次数，若满足，则输出父代种群的最优解及最优值，否则返回进入下一代种群演化。

技术领域

本发明属于智能计算方法技术领域，涉及基于异常检测模型的进化多任务优化算法。

背景技术

在现实生活中，我们经常遇到多个任务需要同时优化的问题。这类问题通常被称为多任务优化问题(Muti-task Optimization,MTO)。由于MTO问题通常涉及到多个具有不同搜索空间的优化任务，传统的进化算法(Evolutionary Algorithms,EAs)难以直接对其进行求解。为此，Gupta等提出一种新的进化计算范式—进化多任务优化(EvolutionaryMulti-task Optimization,EMTO)。该计算范式把不同任务的搜索空间映射到统一空间中，并利用任务间潜在的相似性来实现协同优化。知识转移作为协同优化的关键环节，其效率的高低直接决定算法的性能。截至目前，研究者已提出了各种不同的知识转移策略。根据知识转移性质的不同，大致可分为以下四类：(1)基于隐性知识迁移的静态EMTO算法：这类算法的主要特点是以单种群的形式将不同任务的决策空间映射到统一空间进行搜索，并通过演化算子来实现不同类型个体的血型交配，以此达到知识迁移的目的。例如，Tang等通过邻域重构以利用不同任务决策空间的局部特征知识，并效仿基于层次的教育法以提升个体的搜索能力；Ma等将目标分解同多因子进化算法相结合以构建强相关模因辅助任务，并为分解后的组件任务创建一个相关的多目标优化问题，以促进任务间积极的知识转移；Thiago等将笛卡尔坐标映射到统一潜在空间，从而使潜在空间的特征转移允许形状重构及共同部件的维护，相应提高了各任务的性能表现。(2)基于隐性知识迁移的自适应EMTO算法：与第一类算法采用确定的知识迁移方式不同，该类算法通过引入自适应机制来控制不同任务间知识迁移的程度，以此减少负迁移现象的发生。例如，Tang等提出了一种任务间自适应协调系统，在每一代中随机合并源任务和目标任务之间的不同知识转移策略；Yao等提出了一种动态资源分配策略，根据进化速度的快慢自适应地将计算资源分配给不同任务；Eneko等引入了一种新的自适应元启发式算法，通过量化搜索过程中的正转移和负转移来重新安排细胞网格以促进正向的知识转移。(3)基于显性知识迁移的静态EMTO算法：与基于隐性知识迁移的EMTO算法采用单种群结构不同，该类算法采用多种群结构来实现不同任务的独立演化，并在演化过程中进行不同种群之间的知识迁移。例如，Zheng等在多任务差分进化中引入了一种简单有效的知识转移策略，利用源任务的历史最优解来辅助优化目标任务；Wu等将各任务最优的若干个解的平均值作差来衡量任务之间的种群差异，若知识迁移后此差值亦相应减小，则证明进行了积极地知识转移；Tang等提出一种多种群进化算法的知识转移策略，将源任务中通过基因突变后产生的精英个体迁移至目标任务中，来代替其中较差的个体进行知识转移。(4)基于显性知识迁移的自适应EMTO算法：与第三类算法采用确定的知识迁移方式不同，该类算法通过引入自适应机制来控制不同种群间知识迁移的程度，以此提高知识迁移的效率。例如，Long等基于先验知识构建了最小二乘支持向量机分类器，将最优解和较差解分类，继而对较差解进行自适应优化；Li等引入了一种自适应策略来调整任务间随机交配概率(rmp)，当整体种群成功率较低时对比任务间随机交配成功率进行自适应调整；Shang等提出了一种任务选择的信用分配方法，基于任务间知识转移的反馈对交叉效果较好的源任务进行自适应更新；Xu等提出了一种自适应进化多任务优化框架，该框架提供了两个关键求解模块，根据随机交配概率自适应地选择任务内进化以及任务间交叉进化。