面向多任务优化的质量多样性方法
神经与进化计算
2020-04-20 v2 机器人学
摘要
质量多样性（QD）算法是一类近期的优化算法族，其搜索大量多样且高性能的解。在某些特定情形下，它们可以一次性求解多个任务。例如，它们能找到机械臂到达一组点所需的关节位置，这也可以通过为每个目标点运行一个经典优化器来解决。然而，当适应度需要对每个任务独立评估时（例如优化抓取许多不同物体的策略），它们无法求解多任务。本文提出一种 MAP-Elites 算法的扩展，称为多任务 MAP-Elites，可在适应度函数依赖于任务时求解多个任务。我们在模拟的参数化平面臂（10 维搜索空间；5000 个任务）和具有不同长度腿部的模拟六足机器人（36 维搜索空间；2000 个任务）上进行了评估。结果表明，在这两种情况下，我们的算法都优于使用 CMA-ES 算法对每个任务单独优化的方法。
引用
@article{arxiv.2003.04407,
title = {Quality Diversity for Multi-task Optimization},
author = {Jean-Baptiste Mouret and Glenn Maguire},
journal= {arXiv preprint arXiv:2003.04407},
year = {2020}
}