基于迁移学习的智能多任务高性能优化算法研究

The design of advanced multi-task intelligent optimization algorithms is pivotal to the development of cloud computing and big data based optimization services. In contrast to traditional single-task intelligent optimization methods, multi-task intelligent optimization solves multiple tasks efficiently and effectively in a single run, via the knowledge sharing across tasks. However, as the design of multi-task intelligent optimization algorithm relies on data mining, transfer learning, the correlation between tasks, and the intelligent optimization framework configuration, etc., there is no or little high-performance multi-task intelligent optimization algorithm existed in the literature. In this project, towards advanced multi-task intelligent optimization performance, we study new transfer learning models, and propose a multiple population based multi-task intelligent optimization paradigm. By investigating the relationship between tasks, which is important for positive knowledge transfer between tasks, the optimization performance of the proposed multi-task intelligent optimization paradigm could be significantly improved. The outcomes of the project could provide the key techniques for the further research development of multi-task intelligent optimization methods, and provide the technical support for the cloud computing and big data based optimization services.

智能多任务高性能优化算法的研究对基于云计算和大数据的智能优化服务平台发展有重要意义。与传统的单任务智能优化相比，多任务智能优化算法在一次优化搜索过程中，将同时对多个任务求解，通过相关任务间的信息共享，进行快速有效的问题求解。但由于多任务智能优化算法的设计涉及数据挖掘、迁移学习、任务相关性分析及智能优化算法框架设计，等方面，高性能多任务智能优化算法还非常匮乏。本课题针对现有多任务智能优化算法的不足，结合迁移学习理论模型，提出多种群多任务智能优化算法框架，并针对任务相关性进行深入研究，以保证任务间正向信息迁移，从而大大提升多任务智能优化算法的表现性能。本项目的研究成果将为多任务智能优化算法的进一步发展提供关键技术，为基于云计算和大数据的智能优化服务提供技术支撑。

高效智能多任务优化框架及算法的研究是云计算和大数据背景下，为现实复杂优化问题快速求解的基础和技术支撑。本项目基于对智能多任务优化的算法流程、算法模块以及不同优化问题特性的深入分析，综合研究了智能多任务优化中的通用知识定义、知识学习与迁移模型、优化任务匹配方式及智能多任务优化算法框架。项目主要研究内容包括：不同优化任务的通用信息定义及表达、优化任务间通用信息的迁移学习、优化任务之间的相关性分析、以及多任务智能优化算法框架设计。该项目深入研究了影响智能多任务优化算法性能的关键因素及模型设计方法，提出了面向不同优化问题域的多个智能多任务优化新模型和新算法。主要研究成果包括针对不同优化任务通用知识的定义，提出了基于优化解和结构化的知识定义方式，并在此基础上提出了相应的知识学习及迁移模型；针对不同优化任务间的知识迁移方式，结合传统智能优化的特点，提出了隐式及显式两种迁移模式；面向不同优化问题，提出了针对不同优化问题求解的智能多任务优化算法，并实现了基于高性能计算平台的智能多任务优化框架。项目成果有助于提升智能优化在现实应用中的复杂优化问题求解效率，有助于推动基于云计算和大数据智能应用服务的发展，具有重要的实际价值和理论意义。在本项目支持下，共发表期刊论文23篇，国际会议论文14篇，培养毕业3名博士研究生，5名硕士研究生，申请专利3项，组织参与国内外学术交流16次，项目按照计划顺利完成各项指标任务。