混合模型知识迁移

应对非规则环境变化

一种基于自适应高斯混合模型的知识迁移策略，通过捕获历史环境知识并为新环境生成初始种群，有效求解环境变化非规则的动态多目标优化问题。

邹娟 · Hou, Zhanglu · Jiang, Shouyong · Yang, Shengxiang · Ruan, Gan · Yizhang, Xia · Liu, Yuan

IEEE Transactions on Evolutionary Computation 2025

技术优势

适应非规则变化

引入自适应高斯混合模型捕捉历史环境知识，能够应对环境变化不规则的场景。

综合历史知识

迁移策略不局限于前一个环境，而是利用多个历史环境的知识生成初始种群，克服相邻环境差异大的问题。

性能优于现有方法

在多个非规则变化基准问题上与六种最新DMOEA比较，在大多数测试实例和真实问题中表现出优越性。

应用场景

• 动态多目标优化：处理目标函数随时间变化的优化问题，尤其是环境变化非规则的场景。
• 进化计算：提供一种基于高斯混合模型的知识迁移机制，可集成到进化算法中提升动态优化性能。
• 调度优化：可用于任务或资源调度中的动态多目标优化问题，利用历史调度知识快速适应新环境。