基于细胞型进化多任务的车辆路径问题间知识可迁移性研究
人工智能
2020-05-19 v2 神经与进化计算
摘要
多任务优化是近来引入的一种范式，专注于同时求解多个优化问题实例（任务）。多任务环境的目标在于动态利用任务间已有的互补性与协同性，通过遗传物质的转移相互协助。更具体地，进化多任务（EM）指利用源自进化计算的概念来解决多任务场景。诸如著名的多因子进化算法（MFEA）等 EM 方法近来在面对多个优化问题时获得了显著的研究势头。本工作聚焦于将最近提出的多因子细胞遗传算法（MFCGA）应用于著名的带容量约束车辆路径问题（CVRP）。总体而言，使用 12 个数据集构建了 11 种不同的多任务设置。本研究的贡献有两方面。一方面，这是 MFCGA 在车辆路径问题族上的首次应用。另一方面，同样有趣的是第二点贡献，其聚焦于问题实例间正向遗传可迁移性的定量分析。为此，我们提供了不同优化任务间所产生协同效应的实证演示。
引用
@article{arxiv.2005.05066,
title = {On the Transferability of Knowledge among Vehicle Routing Problems by using Cellular Evolutionary Multitasking},
author = {Eneko Osaba and Aritz D. Martinez and Jesus L. Lobo and Ibai Laña and Javier Del Ser},
journal= {arXiv preprint arXiv:2005.05066},
year = {2020}
}
备注
8 pages, 1 figure, paper accepted for presentation in the 23rd IEEE International Conference on Intelligent Transportation Systems 2020 (IEEE ITSC 2020)