在动态多目标优化中利用混合模型进行知识转移

《IEEE Transactions on Evolutionary Computation》：Knowledge Transfer With Mixture Model in Dynamic Multiobjective Optimization

动态多目标优化算法中，针对环境不规则变化提出基于高斯混合模型（GMM）的知识转移策略KTMM，通过自适应模型捕捉历史环境知识并生成新环境初始种群，结合控制不规则变化的基准测试，实验验证其优于六种现有方法。

　　

摘要：

大多数现有的动态多目标进化算法（DMOEAs）旨在处理环境变化规律的动态多目标优化问题（DMOPs）。然而，它们往往忽略了环境变化不规律且难以预测的情况。最近，知识转移被提出作为一种解决DMOPs的新方法。尽管如此，大多数转移策略仅考虑从先前环境转移知识，而忽略了由于环境变化不规律而可能存在的显著差异。为了解决这些问题，本文提出了一种基于高斯混合模型（GMM，简称KTMM）的新知识转移策略，用于解决环境变化不规律的DMOPs。具体来说，设计了一种自适应GMM来捕获历史环境中的知识，然后将其转移以生成新环境的初始种群。此外，还引入了一种控制环境不规律变化的新方法，用于构建包含不规律变化的DMOP基准测试。我们将提出的KTMM与六种最先进的DMOEAs在多个包含不规律变化的基准问题上进行了比较。实验结果表明，我们的方法在大多数测试实例和实际问题中都表现出优越性。

引言

动态多目标优化问题（DMOPs）涉及多个相互冲突的目标和时变参数，在现实世界的优化问题中非常普遍，例如软件项目调度[1]、动态数据流[2]和资源管理[3]。解决DMOPs的关键挑战在于如何快速跟踪变化的帕累托最优集（POSs）和/或帕累托最优前沿（POFs）。面对这一挑战，越来越多的研究人员致力于提出动态多目标进化算法（DMOEAs）[4]。此外，还设计了许多变化响应技术[5]、[6]、[7]、[8]、[9]、[10]、[11]，以利用从历史环境中获得的历史信息来引导种群朝向动态环境中的变化目标。