首页 > 院系动态 > 正文 >

首页

我系江敏教授团队于进化迁移优化领域取得进展

创建人: 创建时间:2020-09-23 16:36点击数:

进化迁移优化(Evolutionary Transfer OptimizationETO)是一种集成传统求解器和跨域知识学习与迁移的优化算法设计范式。由于能够获得更好的优化效率及性能,近年来正获得更多的关注。近来,信息学院江敏教授团队在此领域连续发表多项重要研究成果:

1Knee Points based Imbalanced Transfer Learning for Dynamic Multi-objective OptimizationIEEE Transactions on Evolutionary Computation IF 11.169 Computer Science Theory Methods: 2/108; Computer Science/Artificial Intelligence: 3/136

针对在迁移过程中大量低质量解占用过多计算资源,从而使得求解速度和性能下降的问题,提出基于knee点迁移策略与不均衡学习相结合的解决方案。该方法在多个测试集上取得了优异表现。


https://ieeexplore.ieee.org/document/9122031


2A Fast Dynamic Evolutionary Multiobjective Algorithm via Manifold Transfer LearningIEEE Transactions on Cybernetics IF 11.079Automation & Control Systems1/63 Computer Science/Artificial Intelligence: 5/136

提出使用流形迁移与精英机制相结合的方式,在动态优化环境下,预测适应未来时刻的初始种群,从而在保持求解精度的同时,极大提升求解速度。

https://ieeexplore.ieee.org/document/9097186


3Individual-Based Transfer Learning for Dynamic Multiobjective OptimizationIEEE Transactions on Cybernetics IF 11.079Automation & Control Systems1/63 Computer Science/Artificial Intelligence: 5/136

为有效降低迁移过程中负迁移发生的可能性,提出一种预搜索与个体迁移学习相结合的动态多目标优化算法。通过不同的实验证明,该方法能够有效降低迁移过程中发生的负迁移现象,进而提升优化速度与质量。

https://ieeexplore.ieee.org/document/9199822