Resumen

El algoritmo evolutivo multitarea (MTEA), que resuelve múltiples tareas de optimización simultáneamente en una sola ejecución, ha recibido considerable atención en la comunidad de computación evolutiva, y varios algoritmos han sido propuestos en la literatura. Desafortunadamente, la transferencia de conocimiento entre tareas constituyentes puede causar un efecto negativo en el rendimiento del algoritmo, especialmente cuando las soluciones óptimas de todas las tareas se encuentran en diferentes ubicaciones del espacio de búsqueda unificado. Para abordar este problema, se propone una estrategia efectiva de transformación de variables y la correspondiente transformación inversa en el escenario de optimización multitarea. Después de utilizar la estrategia de transformación de variables, las soluciones óptimas estimadas de todas las tareas están cerca del punto central del espacio de búsqueda unificado. Más importante aún, esta estrategia puede mejorar la similitud entre tareas, lo que probablemente resulte en una transferencia de conocimiento efectiva en este caso, lo que puede ayudarnos a mejorar el rendimiento del algoritmo.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Algoritmo evolutivo; Optimización multitarea; Estrategia de transformación de variables; Transferencia de conocimiento; Rendimiento del algoritmo; Evolución diferencial multitarea
• Keywords:Evolutionary algorithm; Multitasking optimization; Variable transformation strategy; Knowledge transfer; Algorithm performance; Multitasking differential evolution