https://blog.qife122.com/tags/%E8%BF%9B%E5%8C%96%E8%AE%A1%E7%AE%97/ Recent content in 进化计算 on 办公AI智能小助手 Hugo zh-cn qife Fri, 19 Sep 2025 09:15:24 +0800 https://blog.qife122.com/p/%E5%8F%82%E6%95%B0%E5%8C%96%E5%A4%9A%E4%BB%BB%E5%8A%A1%E4%BC%98%E5%8C%96%E7%AE%97%E6%B3%95%E7%AA%81%E7%A0%B4%E6%97%A0%E9%99%90%E4%BB%BB%E5%8A%A1%E7%A9%BA%E9%97%B4/ Fri, 19 Sep 2025 09:15:24 +0800 https://blog.qife122.com/p/%E5%8F%82%E6%95%B0%E5%8C%96%E5%A4%9A%E4%BB%BB%E5%8A%A1%E4%BC%98%E5%8C%96%E7%AE%97%E6%B3%95%E7%AA%81%E7%A0%B4%E6%97%A0%E9%99%90%E4%BB%BB%E5%8A%A1%E7%A9%BA%E9%97%B4/ <h1 id="boldsymbolθ_l-boldsymbolθ_u-参数化多任务优化解空间与无限任务空间的联合搜索">($\boldsymbolθ_l, \boldsymbolθ_u$)-参数化多任务优化：解空间与无限任务空间的联合搜索</h1> <h2 id="摘要">摘要</h2> <p>多任务优化通常以固定有限的优化任务集合为特征。本文通过考虑在参数化、连续有界的任务空间中定义的非固定且可能无限的任务集合来放松这一条件。将这一独特问题设置称为参数化多任务优化（PMTO）。假设任务参数的边界为($\boldsymbolθ_l, \boldsymbolθ_u$)，设计了一种新颖的($\boldsymbolθ_l, \boldsymbolθ_u$)-PMTO算法以实现任务及其解的联合搜索。该联合搜索由两个近似模型支持：（1）将解映射到所有任务的目标空间，通过作为任务间知识传递的通道可证明加速收敛；（2）概率性地将任务映射到解空间，促进对任务空间未探索区域的进化探索。在完整的($\boldsymbolθ_l, \boldsymbolθ_u$)-PMTO运行结束时，所获得的模型能够快速识别指定边界内任何任务的优化解。这一结果在合成测试问题和实际案例研究中得到验证，PMTO在变化任务条件下快速重构机器人控制器方面显示出显著的实际应用价值。还通过鲁棒工程设计示例证明了PMTO在极大加速极小极大优化问题求解方面的潜力。</p>