基于Q学习的多任务多目标粒子群优化算法

作     者：韩红桂 徐子昂 王晶晶 HAN Hong-gui;XU Zi-ang;WANG Jing-jing

作者机构：北京工业大学信息学部北京100124 计算智能与智能系统北京市重点实验室北京100124 

基　　金：国家自然科学基金项目(62125301,61890930-5,61903010,62021003) 国家重点研发计划项目(2022YFB3305800-5,2018YFC1900800-5) 北京市教育委员会科技计划重点项目(KZ202110005009) 北京高校卓越青年科学家项目(BJJWZYJH01201910005020) 青年北京学者项目(037) 

出 版 物：《控制与决策》 (Control and Decision)

年 卷 期：2023年第38卷第11期

页      码：3039-3047页

摘      要：多任务粒子群优化算法(multi-task particle swarm ptimization,MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而,MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM2PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的QM2PSO算法具有更优越的收敛性.

主 题 词：多任务多目标优化 粒子群优化 知识迁移 Q学习 

学科分类：1205[管理学-图书情报与档案管理类] 12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.13195/j.kzyjc.2022.1662

馆 藏 号：203124165...