[發明專利]基于顯式遷移的演化多任務調度優化方法

在審

• 申請號: 202011478694.1
• 申請日: 2020-12-15
• 公開（公告）號: CN112667372A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 馮亮;黃靈煜;周磊
• 申請（專利權）人: 重慶大學
• 主分類號: G06F9/48
• 分類號: G06F9/48
• 代理公司: 重慶縉云專利代理事務所(特殊普通合伙) 50237
• 代理人: 王翔

本發明公開基于顯式遷移的演化多任務調度優化方法，步驟為：1)確定需要進行優化的所有多任務，以及每一個任務中所有目標函數；2)設置演化算法的基礎參數；3)利用降噪自動編碼器學習得到任意兩任務對應的搜索空間之間的有序映射；4)利用演化優化器對多個任務進行獨立的演化優化；5)滿足遷移條件時，在任意兩任務之間進行顯式遷移；6)重復步驟4)和步驟5)，直至滿足優化終止條件；7)輸出所有任務的最終優化解。本發明克服了傳統演化算法只能解決單任務的問題，突破了現有多任務算法對演化優化器的限制，提高了多任務解決的效率。

技術領域

本發明涉及信息技術領域，具體是基于顯式遷移的演化多任務調度優化方法。

背景技術

演化算法(Evolutionary Algorithm,EA)是一類高魯棒性的自適應搜索算法，該算法啟發于生物進化，一般步驟包括交叉、變異、選擇等。這些步驟反復迭代，在滿足預定條件時終止。由于強大的搜索能力和易用性，在過去的幾十年中，演化算法在解決現實世界中復雜的優化問題上取得了重大突破和成功。常見的演化優化器包括遺傳算法(GeneticAlgorithm,GA)，差分進化(Differential Evolution,DE)等，主要步驟包括種群初始化、交叉、變異和環境選擇。種群初始化常使用均勻采樣法或者拉丁超立方法(Latin Hypercube)在搜索空間內隨機生成初始個體的集合。在遺傳算法中，常采用模擬二進制交叉法和多項式變異法；在差分進化中，交叉和變異是通過超參數CR和F對種群中個體間的差異進行縮放而控制的。環境選擇即根據適應度對種群的個體進行排序并選擇的過程，一般對于最小(大)值優化函數，適應度排序即為目標函數的遞增(減)排序。

近年來，啟發于人腦能夠并行執行多項不同任務的能力，在演化計算領域，一類多任務優化方法被提出，即演化多任務(Evolutionary Multitasking,EMT)算法。不同于傳統的演化算法，其在一次運行中只解決一個任務，演化多任務算法則是在同時多個優化任務的搜索空間中，執行獨立的演化搜索，為提高多個任務的解決效率提供了可能。通過利用不同但可能相似的任務之間的潛在協同作用，同時為對多個任務的優化搜索提供有效的信息，達到加速多任務優化的目的。

當前階段，由于不同任務的搜索空間大多不同，因此大多數演化多任務算法都是通過將不同任務的搜索空間進行統一表示來設計的，而不同任務之間的信息復用是通過染色體交叉過程中的基因隱式遷移來進行的。基于這種隱式遷移方法而實現的演化多任務算法，往往是定義一種通用的演化機制來進行多個任務的優化，以方便不同任務之間的信息遷移。然而，不同的優化任務通常具有獨特的屬性，需要依賴具有特定搜索偏好的演化機制才能有效地解決問題。因此，隱式遷移的方法在不同任務的優化器選擇上收到了諸多限制，在面對一些復雜情況下的多任務優化并不具備可操作性。

發明內容

本發明的目的是提供基于顯式遷移的演化多任務調度優化方法。

基于顯式遷移的演化單目標多任務調度優化方法，包括以下步驟：

1)確定任務OP₁、任務OP₂、任務OP₁中的目標函數和任務OP₂中的目標函數。任務OP₁和任務OP₂內的目標數量均為1。

2)設置演化算法的基礎參數。所述基礎參數包括任務的演化優化器。

所述基礎參數還包括優化終止條件、遷移條件、構建搜索空間映射所需的解數量N、遷移的解數量S。

所述遷移條件為相鄰兩次遷移間隔時間達到G。

3)利用降噪自動編碼器學習得到任務OP₁和任務OP₂對應的搜索空間之間的有序映射。

利用降噪自動編碼器學習得到任務OP₁和任務OP₂對應搜索空間之間的有序映射的步驟如下：