编辑推荐：
传统进化算法每次需从头解决复杂优化问题，耗时低效。MTO 算法通过任务间知识迁移提升性能，然识别有效知识难。研究人员提出 EMT-EKTS 算法，实验表明其性能优于其他竞争算法，为 MTO 领域提供新方向。
在科技飞速发展的当下，各领域复杂优化问题层出不穷。传统进化算法如同一位每次都要从零开始探索迷宫的冒险者，在面对复杂优化问题时，不得不一次次从头再来，这使得整个过程耗时又低效。而多任务优化（MTO）领域恰似一片充满希望的新大陆，其核心思想是通过不同任务间的知识迁移来提升整体优化性能，就像一群冒险者共享地图和经验，以期更高效地完成探索。然而，这片新大陆上却横亘着一座险峻的 “大山”：如何精准识别出有价值的知识，让任务间实现 “正向知识迁移”，而不是被无用甚至有害的信息误导。在这样的背景下，开展能够有效解决知识识别与迁移问题的研究显得尤为迫切。
为了攻克这一难题，国内研究人员开展了基于有效知识转移策略的进化多任务优化算法研究。他们提出的进化多任务算法 EMT-EKTS，在相关领域取得了突破性进展，该研究成果发表在《Expert Systems with Applications》。
研究人员在开展研究时，运用了几个关键技术方法。首先，采用逻辑回归（Logistic Regression）分类器来识别有价值的解；其次，利用目标任务种群的历史进化方向和不同任务间的平均差异方向来计算有前景的方向；此外，对有价值的解进行聚类以生成多个类别，并结合有前景的方向和这些类别来确定有前景的区域。
进化多任务问题
进化多任务（EMT）借鉴机器学习中的多任务概念，通过共享信息来提升多个任务的性能。在 EMT 中，第 K 个任务表示为 TK，其目标函数为 FK，旨在找到各任务的非支配解 xK*，MO-MFEA 便是利用遗传算法实现的 EMT 算法。
提出的 EMT-EKTS
该部分先介绍逻辑回归分类器用于识别有价值解，接着将这些解聚类生成多个类别，再基于有前景方向和类别确定有前景区域，进而在这些区域获取具有良好多样性的有前景预测解，最后呈现了 EMT-EKTS 的框架。
实验研究
为验证 EMT-EKTS 的性能，研究人员选取了两个测试套件。一是多目标多任务测试套件（Yuan 等，2017），即 CEC 2017 MO-MTO 基准，包含九个 MO-MTO 问题，一个任务组有两个任务，每个任务有两个或三个目标函数；二是复杂多目标多任务测试套件（Feng 等，2019），即 CPLX 基准。
结论
本研究提出 EMT-EKTS 来解决 MTO 问题。具体而言，为每个任务构建逻辑回归（LR）分类器以识别有价值的解，将有价值的解聚类生成多个类别，并通过有前景方向和这些类别确定有前景区域，所提出的有效知识转移策略能生成具有良好多样性的有前景预测解。在两个 MTO 测试套件和一个实际案例上的实验结果验证了 EMT-EKTS 的有效性，表明其优于其他竞争的进化多任务算法，为多任务优化领域提供了新的有效解决方案，在提升复杂优化问题的解决效率和性能方面具有重要意义，有助于推动该领域在更多实际场景中的应用与发展。
