BOOKS - Evolutionary Multi-Task Optimization: Foundations and Methodologies (Machine ...
Evolutionary Multi-Task Optimization: Foundations and Methodologies (Machine Learning: Foundations, Methodologies, and Applications)
Author: Liang Feng
Year: March 29, 2023
Format: PDF
File size: PDF 29 MB
Language: English
Year: March 29, 2023
Format: PDF
File size: PDF 29 MB
Language: English
A remarkable facet of the human brain is its ability to manage multiple tasks with apparent simultaneity. Knowledge learned from one task can then be used to enhance problem-solving in other related tasks. In machine learning, the idea of leveraging relevant information across related tasks as inductive biases to enhance learning performance has attracted significant interest. In contrast, attempts to emulate the human brain's ability to generalize in optimization - particularly in population-based evolutionary algorithms - have received little attention to date. Recently, a novel evolutionary search paradigm, Evolutionary Multi-Task (EMT) optimization, has been proposed in the realm of evolutionary computation. In contrast to traditional evolutionary searches, which solve a single task in a single run, evolutionary multi-tasking algorithm conducts searches concurrently on multiple search spaces corresponding to different tasks or optimization problems,each possessing a unique function landscape. By exploiting the latent synergies among distinct problems, the superior search performance of EMT optimization in terms of solution quality and convergence speed has been demonstrated in a variety of continuous, discrete, and hybrid (mixture of continuous and discrete) tasks. This book discusses the foundations and methodologies of developing evolutionary multi-tasking algorithms for complex optimization, including in domains characterized by factors such as multiple objectives of interest, high-dimensional search spaces and NP-hardness.
Book: Evolutionary MultiTask Optimization Foundations and Methods Machine arning Foundations Methods and Applications Введение: В современную быстро развивающуюся технологическую эру важно понимать процесс эволюции технологий и его влияние на выживание человечества. В книге «Evolutionary MultiTask Optimization Foundations and Methods Machine arning Foundations Methods and Applications» дан всесторонний обзор необходимости и возможности выработки личностной парадигмы восприятия технологического процесса развития современных знаний как основы выживания человечества и объединения людей в воюющем государстве. Эта книга посвящена замечательной грани человеческого мозга - его способности управлять несколькими задачами с очевидной одновременностью, и тому, как эта способность может быть использована в машинном обучении для улучшения решения проблем в других связанных задачах. Глава 1: Необходимость эволюционной многозадачной оптимизации Мир, в котором мы живем, становится все более сложным, а темпы технологических изменений ускоряются экспоненциальными темпами. Чтобы выжить и процветать в этой среде, крайне важно разработать личную парадигму восприятия технологического процесса развития современных знаний. В этой главе рассматривается важность понимания эволюции технологии и ее влияния на выживание человечества. Book: Evolutionary MultiTask Optimization Foundations and Methodologies Machine Learning Foundations Methodologies and Applications Introduction: In today's fast-paced technological era, it is essential to understand the process of technology evolution and its impact on humanity's survival. The book "Evolutionary MultiTask Optimization Foundations and Methodologies Machine Learning Foundations Methodologies and Applications" provides a comprehensive overview of the need and possibility of developing a personal paradigm for perceiving the technological process of developing modern knowledge as the basis for the survival of humanity and the unification of people in a warring state. This book focuses on the remarkable facet of the human brain - its ability to manage multiple tasks with apparent simultaneity, and how this ability can be leveraged in machine learning to enhance problem-solving in other related tasks. Chapter 1: The Need for Evolutionary Multitask Optimization The world we live in is becoming increasingly complex, and the rate of technological change is accelerating at an exponential pace. To survive and thrive in this environment, it is crucial to develop a personal paradigm for perceiving the technological process of developing modern knowledge. This chapter explores the importance of understanding the evolution of technology and its impact on humanity's survival. pobierz plik pdf download pdf file PDFファイルをダウンロード להוריד קובץ PDF pdf 파일 다운로드 تنزيل ملف pdf PDF-Datei herunterladen pdf dosyasını indir скачать файл PDF descargar archivo pdf 下载 pdf 文件 descarregar ficheiro pdf download pdf file Scarica il file pdf télécharger le fichier pdf
Ein bemerkenswerter Aspekt des menschlichen Gehirns ist seine Fähigkeit, mehrere Aufgaben mit offensichtlicher Gleichzeitigkeit zu bewältigen. Das aus einer Aufgabe gewonnene Wissen kann dann genutzt werden, um die Problemlösung bei anderen damit verbundenen Aufgaben zu verbessern. Im maschinellen Lernen hat die Idee, relevante Informationen in verwandten Aufgaben als induktive Vorurteile zu verwenden, um die Lerneffizienz zu verbessern, großes Interesse gefunden. Im Gegensatz dazu wurden Versuche, die Fähigkeit des menschlichen Gehirns zu emulieren, Optimierungen zu verallgemeinern - insbesondere in populationsevolutionären Algorithmen - bisher wenig beachtet. Kürzlich wurde im Bereich der evolutionären Datenverarbeitung ein neues Paradigma der evolutionären Suche vorgeschlagen - die Optimierung des evolutionären Multitaskings (EMT). Im Gegensatz zu herkömmlichen evolutionären Suchen, die ein Problem in einem Start lösen, sucht ein evolutionärer Multitasking-Algorithmus gleichzeitig in mehreren Suchräumen, die verschiedenen Aufgaben oder Optimierungsproblemen entsprechen und jeweils eine einzigartige Funktionslandschaft aufweisen. Durch die Nutzung latenter Synergien zwischen verschiedenen Herausforderungen wurde die überlegene Effizienz der EMT-Optimierungssuche in Bezug auf Lösungsqualität und Konvergenzgeschwindigkeit in einer Vielzahl von kontinuierlichen, diskreten und hybriden (Mischung aus kontinuierlichen und diskreten) Aufgaben demonstriert. Dieses Buch untersucht die Grundlagen und Methoden der Entwicklung evolutionärer Multitasking-Algorithmen für eine umfassende Optimierung, auch in Bereichen, die durch Faktoren wie multiple interessierende Ziele, hochdimensionale Suchräume und NP-Starrheit gekennzeichnet sind.
Un aspect remarquable du cerveau humain est sa capacité à gérer plusieurs tâches avec une simultanéité évidente. Les connaissances acquises à partir d'une tâche peuvent ensuite être utilisées pour améliorer la résolution de problèmes dans d'autres tâches connexes. Dans l'apprentissage automatique, l'idée d'utiliser l'information pertinente dans les tâches connexes comme préjugés inductifs pour améliorer l'efficacité de l'apprentissage a suscité un intérêt considérable. Au contraire, les tentatives d'émuler la capacité du cerveau humain à généraliser l'optimisation - en particulier dans les algorithmes évolutionnaires de population - ont jusqu'à présent reçu peu d'attention. Récemment, dans le domaine des calculs évolutionnaires, un nouveau paradigme de recherche évolutionnaire a été proposé : l'optimisation du multitâche évolutionnaire (EMT). Contrairement aux recherches évolutionnaires traditionnelles qui résolvent un problème en un seul lancement, l'algorithme évolutionnaire multitâche recherche simultanément dans plusieurs espaces de recherche correspondant à différents problèmes ou tâches d'optimisation, chacun possédant un paysage de fonctions unique. En exploitant la synergie latente entre les différents problèmes, l'excellente efficacité de la recherche de l'optimisation EMT en termes de qualité de solution et de vitesse de convergence a été démontrée dans différents défis continus, discrets et hybrides (mélange de continus et discrets). Ce livre examine les fondements et les méthodologies du développement d'algorithmes multitâches évolutionnaires pour l'optimisation complète, y compris dans des domaines caractérisés par des facteurs tels que les objectifs multiples d'intérêt, les espaces de recherche de haute dimension et la dureté NP.
Замечательным аспектом человеческого мозга является его способность управлять несколькими задачами с очевидной одновременностью. Знания, полученные из одной задачи, могут затем использоваться для улучшения решения проблем в других связанных задачах. В машинном обучении идея использования соответствующей информации в связанных задачах в качестве индуктивных предубеждений для повышения эффективности обучения привлекла значительный интерес. Напротив, попыткам эмулировать способность человеческого мозга обобщать в оптимизации - особенно в популяционных эволюционных алгоритмах - до настоящего времени уделялось мало внимания. Недавно в области эволюционных вычислений была предложена новая парадигма эволюционного поиска - оптимизация эволюционной многозадачности (EMT). В отличие от традиционных эволюционных поисков, которые решают одну задачу за один запуск, эволюционный многозадачный алгоритм проводит поиск одновременно в нескольких пространствах поиска, соответствующих различным задачам или задачам оптимизации, каждое из которых обладает уникальным ландшафтом функций. Используя скрытую синергию между различными проблемами, превосходная эффективность поиска оптимизации EMT с точки зрения качества решения и скорости конвергенции была продемонстрирована в различных непрерывных, дискретных и гибридных (смесь непрерывных и дискретных) задачах. В этой книге рассматриваются основы и методологии разработки эволюционных многозадачных алгоритмов для комплексной оптимизации, в том числе в областях, характеризующихся такими факторами, как множественные интересующие цели, пространства поиска высокой размерности и NP-жёсткость.
A remarkable facet of the human brain is its ability to manage multiple tasks with apparent simultaneity. Knowledge learned from one task can then be used to enhance problem-solving in other related tasks. In machine learning, the idea of leveraging relevant information across related tasks as inductive biases to enhance learning performance has attracted significant interest. In contrast, attempts to emulate the human brain's ability to generalize in optimization - particularly in population-based evolutionary algorithms - have received little attention to date. Recently, a novel evolutionary search paradigm, Evolutionary Multi-Task (EMT) optimization, has been proposed in the realm of evolutionary computation. In contrast to traditional evolutionary searches, which solve a single task in a single run, evolutionary multi-tasking algorithm conducts searches concurrently on multiple search spaces corresponding to different tasks or optimization problems,each possessing a unique function landscape. By exploiting the latent synergies among distinct problems, the superior search performance of EMT optimization in terms of solution quality and convergence speed has been demonstrated in a variety of continuous, discrete, and hybrid (mixture of continuous and discrete) tasks. This book discusses the foundations and methodologies of developing evolutionary multi-tasking algorithms for complex optimization, including in domains characterized by factors such as multiple objectives of interest, high-dimensional search spaces and NP-hardness.
Un aspetto meraviglioso del cervello umano è la sua capacità di gestire più compiti con evidente simultaneità. Le conoscenze acquisite da un'attività possono quindi essere utilizzate per migliorare la risoluzione dei problemi in altre attività correlate. Nell'apprendimento automatico, l'idea di utilizzare le informazioni appropriate nelle attività correlate come pregiudizi induttivi per migliorare l'efficienza dell'apprendimento ha attirato notevole interesse. Al contrario, i tentativi di emulare la capacità del cervello umano di generalizzare l'ottimizzazione - soprattutto negli algoritmi evolutivi di popolazione - non hanno avuto fino ad ora molta attenzione. Un nuovo paradigma di ricerca evolutiva è stato recentemente proposto nel campo dell'evoluzione computing: l'ottimizzazione del multitasking evolutivo (EMT). A differenza della tradizionale ricerca evolutiva, che risolve una sfida in un singolo avvio, l'algoritmo multitasking evolutivo esegue ricerche simultanee in diversi spazi di ricerca che corrispondono a diverse attività o sfide di ottimizzazione, ognuna con un panorama unico di funzioni. Sfruttando la sinergia nascosta tra i vari problemi, l'eccellente efficienza nella ricerca dell'ottimizzazione EMT in termini di qualità della soluzione e velocità di convergenza è stata dimostrata in diverse attività continue, discrete e ibride (un mix di continue e discrete). Questo libro descrive le basi e le metodologie per lo sviluppo di algoritmi multitasking evolutivi per l'ottimizzazione complessiva, anche in aree caratterizzate da molteplici obiettivi interessanti, spazi di ricerca ad alta dimensione e rigidità NP.
Un aspecto notable del cerebro humano es su capacidad para manejar múltiples tareas con aparente simultaneidad. Los conocimientos adquiridos a partir de una tarea se pueden utilizar para mejorar la resolución de problemas en otras tareas relacionadas. En el aprendizaje automático, la idea de utilizar información relevante en tareas relacionadas como sesgos inductivos para mejorar la eficiencia del aprendizaje ha despertado un interés considerable. Por el contrario, hasta la fecha se ha prestado poca atención a los intentos de emular la capacidad del cerebro humano para generalizar la optimización - especialmente en los algoritmos evolutivos poblacionales. Recientemente se ha propuesto un nuevo paradigma de búsqueda evolutiva en el campo de la computación evolutiva, la optimización de la multitarea evolutiva (EMT). A diferencia de las búsquedas evolutivas tradicionales, que resuelven un problema en un solo lanzamiento, el algoritmo de multitarea evolutiva realiza búsquedas simultáneas en varios espacios de búsqueda correspondientes a diferentes problemas o tareas de optimización, cada uno de los cuales posee un paisaje único de funciones. Aprovechando las sinergias latentes entre los diferentes problemas, se ha demostrado una excelente eficiencia en la búsqueda de la optimización de EMT en términos de calidad de solución y velocidad de convergencia en una variedad de tareas continuas, discretas e híbridas (una mezcla de continuas e discretas). Este libro examina los fundamentos y metodologías para el desarrollo de algoritmos multitarea evolutivos para la optimización compleja, incluyendo en áreas caracterizadas por factores como múltiples objetivos de interés, espacios de búsqueda de alta dimensión y rigidez NP.
Um aspecto maravilhoso do cérebro humano é sua capacidade de controlar várias tarefas com uma aparente simultaneidade. O conhecimento obtido a partir de uma tarefa pode então ser usado para melhorar a resolução de problemas em outras tarefas relacionadas. Na aprendizagem de máquinas, a ideia de usar informações apropriadas em tarefas relacionadas como preconceitos indutores para melhorar a eficiência do aprendizado atraiu considerável interesse. Em contrapartida, os esforços para emular a capacidade do cérebro humano de generalizar a otimização - especialmente nos algoritmos evolutivos populacionais - têm recebido pouca atenção até agora. Recentemente, a computação evolucionária propôs um novo paradigma para a busca evolucionária: a otimização da multitarefas evolucionária (EMT). Ao contrário das buscas evolucionárias tradicionais, que resolvem uma tarefa em um único lançamento, o algoritmo multitarefas evolucionário faz buscas simultâneas em vários espaços de busca que correspondem a diferentes tarefas ou tarefas de otimização, cada uma com uma paisagem única de funções. Usando a sinergia oculta entre vários problemas, a excelente eficiência na busca da otimização da EMT em termos de qualidade de solução e velocidade de convergência foi demonstrada em várias tarefas contínuas, discretas e híbridas (mistura de contínuas e discretas). Este livro aborda os fundamentos e metodologias de desenvolvimento de algoritmos multitarefas evolucionários para otimização complexa, incluindo áreas caracterizadas por múltiplos objetivos interessantes, espaços de busca de alta dimensão e rigidez NP.
Ein bemerkenswerter Aspekt des menschlichen Gehirns ist seine Fähigkeit, mehrere Aufgaben mit offensichtlicher Gleichzeitigkeit zu bewältigen. Das aus einer Aufgabe gewonnene Wissen kann dann genutzt werden, um die Problemlösung bei anderen damit verbundenen Aufgaben zu verbessern. Im maschinellen Lernen hat die Idee, relevante Informationen in verwandten Aufgaben als induktive Vorurteile zu verwenden, um die Lerneffizienz zu verbessern, großes Interesse gefunden. Im Gegensatz dazu wurden Versuche, die Fähigkeit des menschlichen Gehirns zu emulieren, Optimierungen zu verallgemeinern - insbesondere in populationsevolutionären Algorithmen - bisher wenig beachtet. Kürzlich wurde im Bereich der evolutionären Datenverarbeitung ein neues Paradigma der evolutionären Suche vorgeschlagen - die Optimierung des evolutionären Multitaskings (EMT). Im Gegensatz zu herkömmlichen evolutionären Suchen, die ein Problem in einem Start lösen, sucht ein evolutionärer Multitasking-Algorithmus gleichzeitig in mehreren Suchräumen, die verschiedenen Aufgaben oder Optimierungsproblemen entsprechen und jeweils eine einzigartige Funktionslandschaft aufweisen. Durch die Nutzung latenter Synergien zwischen verschiedenen Herausforderungen wurde die überlegene Effizienz der EMT-Optimierungssuche in Bezug auf Lösungsqualität und Konvergenzgeschwindigkeit in einer Vielzahl von kontinuierlichen, diskreten und hybriden (Mischung aus kontinuierlichen und diskreten) Aufgaben demonstriert. Dieses Buch untersucht die Grundlagen und Methoden der Entwicklung evolutionärer Multitasking-Algorithmen für eine umfassende Optimierung, auch in Bereichen, die durch Faktoren wie multiple interessierende Ziele, hochdimensionale Suchräume und NP-Starrheit gekennzeichnet sind.
Un aspect remarquable du cerveau humain est sa capacité à gérer plusieurs tâches avec une simultanéité évidente. Les connaissances acquises à partir d'une tâche peuvent ensuite être utilisées pour améliorer la résolution de problèmes dans d'autres tâches connexes. Dans l'apprentissage automatique, l'idée d'utiliser l'information pertinente dans les tâches connexes comme préjugés inductifs pour améliorer l'efficacité de l'apprentissage a suscité un intérêt considérable. Au contraire, les tentatives d'émuler la capacité du cerveau humain à généraliser l'optimisation - en particulier dans les algorithmes évolutionnaires de population - ont jusqu'à présent reçu peu d'attention. Récemment, dans le domaine des calculs évolutionnaires, un nouveau paradigme de recherche évolutionnaire a été proposé : l'optimisation du multitâche évolutionnaire (EMT). Contrairement aux recherches évolutionnaires traditionnelles qui résolvent un problème en un seul lancement, l'algorithme évolutionnaire multitâche recherche simultanément dans plusieurs espaces de recherche correspondant à différents problèmes ou tâches d'optimisation, chacun possédant un paysage de fonctions unique. En exploitant la synergie latente entre les différents problèmes, l'excellente efficacité de la recherche de l'optimisation EMT en termes de qualité de solution et de vitesse de convergence a été démontrée dans différents défis continus, discrets et hybrides (mélange de continus et discrets). Ce livre examine les fondements et les méthodologies du développement d'algorithmes multitâches évolutionnaires pour l'optimisation complète, y compris dans des domaines caractérisés par des facteurs tels que les objectifs multiples d'intérêt, les espaces de recherche de haute dimension et la dureté NP.
Замечательным аспектом человеческого мозга является его способность управлять несколькими задачами с очевидной одновременностью. Знания, полученные из одной задачи, могут затем использоваться для улучшения решения проблем в других связанных задачах. В машинном обучении идея использования соответствующей информации в связанных задачах в качестве индуктивных предубеждений для повышения эффективности обучения привлекла значительный интерес. Напротив, попыткам эмулировать способность человеческого мозга обобщать в оптимизации - особенно в популяционных эволюционных алгоритмах - до настоящего времени уделялось мало внимания. Недавно в области эволюционных вычислений была предложена новая парадигма эволюционного поиска - оптимизация эволюционной многозадачности (EMT). В отличие от традиционных эволюционных поисков, которые решают одну задачу за один запуск, эволюционный многозадачный алгоритм проводит поиск одновременно в нескольких пространствах поиска, соответствующих различным задачам или задачам оптимизации, каждое из которых обладает уникальным ландшафтом функций. Используя скрытую синергию между различными проблемами, превосходная эффективность поиска оптимизации EMT с точки зрения качества решения и скорости конвергенции была продемонстрирована в различных непрерывных, дискретных и гибридных (смесь непрерывных и дискретных) задачах. В этой книге рассматриваются основы и методологии разработки эволюционных многозадачных алгоритмов для комплексной оптимизации, в том числе в областях, характеризующихся такими факторами, как множественные интересующие цели, пространства поиска высокой размерности и NP-жёсткость.
A remarkable facet of the human brain is its ability to manage multiple tasks with apparent simultaneity. Knowledge learned from one task can then be used to enhance problem-solving in other related tasks. In machine learning, the idea of leveraging relevant information across related tasks as inductive biases to enhance learning performance has attracted significant interest. In contrast, attempts to emulate the human brain's ability to generalize in optimization - particularly in population-based evolutionary algorithms - have received little attention to date. Recently, a novel evolutionary search paradigm, Evolutionary Multi-Task (EMT) optimization, has been proposed in the realm of evolutionary computation. In contrast to traditional evolutionary searches, which solve a single task in a single run, evolutionary multi-tasking algorithm conducts searches concurrently on multiple search spaces corresponding to different tasks or optimization problems,each possessing a unique function landscape. By exploiting the latent synergies among distinct problems, the superior search performance of EMT optimization in terms of solution quality and convergence speed has been demonstrated in a variety of continuous, discrete, and hybrid (mixture of continuous and discrete) tasks. This book discusses the foundations and methodologies of developing evolutionary multi-tasking algorithms for complex optimization, including in domains characterized by factors such as multiple objectives of interest, high-dimensional search spaces and NP-hardness.
Un aspetto meraviglioso del cervello umano è la sua capacità di gestire più compiti con evidente simultaneità. Le conoscenze acquisite da un'attività possono quindi essere utilizzate per migliorare la risoluzione dei problemi in altre attività correlate. Nell'apprendimento automatico, l'idea di utilizzare le informazioni appropriate nelle attività correlate come pregiudizi induttivi per migliorare l'efficienza dell'apprendimento ha attirato notevole interesse. Al contrario, i tentativi di emulare la capacità del cervello umano di generalizzare l'ottimizzazione - soprattutto negli algoritmi evolutivi di popolazione - non hanno avuto fino ad ora molta attenzione. Un nuovo paradigma di ricerca evolutiva è stato recentemente proposto nel campo dell'evoluzione computing: l'ottimizzazione del multitasking evolutivo (EMT). A differenza della tradizionale ricerca evolutiva, che risolve una sfida in un singolo avvio, l'algoritmo multitasking evolutivo esegue ricerche simultanee in diversi spazi di ricerca che corrispondono a diverse attività o sfide di ottimizzazione, ognuna con un panorama unico di funzioni. Sfruttando la sinergia nascosta tra i vari problemi, l'eccellente efficienza nella ricerca dell'ottimizzazione EMT in termini di qualità della soluzione e velocità di convergenza è stata dimostrata in diverse attività continue, discrete e ibride (un mix di continue e discrete). Questo libro descrive le basi e le metodologie per lo sviluppo di algoritmi multitasking evolutivi per l'ottimizzazione complessiva, anche in aree caratterizzate da molteplici obiettivi interessanti, spazi di ricerca ad alta dimensione e rigidità NP.
Un aspecto notable del cerebro humano es su capacidad para manejar múltiples tareas con aparente simultaneidad. Los conocimientos adquiridos a partir de una tarea se pueden utilizar para mejorar la resolución de problemas en otras tareas relacionadas. En el aprendizaje automático, la idea de utilizar información relevante en tareas relacionadas como sesgos inductivos para mejorar la eficiencia del aprendizaje ha despertado un interés considerable. Por el contrario, hasta la fecha se ha prestado poca atención a los intentos de emular la capacidad del cerebro humano para generalizar la optimización - especialmente en los algoritmos evolutivos poblacionales. Recientemente se ha propuesto un nuevo paradigma de búsqueda evolutiva en el campo de la computación evolutiva, la optimización de la multitarea evolutiva (EMT). A diferencia de las búsquedas evolutivas tradicionales, que resuelven un problema en un solo lanzamiento, el algoritmo de multitarea evolutiva realiza búsquedas simultáneas en varios espacios de búsqueda correspondientes a diferentes problemas o tareas de optimización, cada uno de los cuales posee un paisaje único de funciones. Aprovechando las sinergias latentes entre los diferentes problemas, se ha demostrado una excelente eficiencia en la búsqueda de la optimización de EMT en términos de calidad de solución y velocidad de convergencia en una variedad de tareas continuas, discretas e híbridas (una mezcla de continuas e discretas). Este libro examina los fundamentos y metodologías para el desarrollo de algoritmos multitarea evolutivos para la optimización compleja, incluyendo en áreas caracterizadas por factores como múltiples objetivos de interés, espacios de búsqueda de alta dimensión y rigidez NP.
Um aspecto maravilhoso do cérebro humano é sua capacidade de controlar várias tarefas com uma aparente simultaneidade. O conhecimento obtido a partir de uma tarefa pode então ser usado para melhorar a resolução de problemas em outras tarefas relacionadas. Na aprendizagem de máquinas, a ideia de usar informações apropriadas em tarefas relacionadas como preconceitos indutores para melhorar a eficiência do aprendizado atraiu considerável interesse. Em contrapartida, os esforços para emular a capacidade do cérebro humano de generalizar a otimização - especialmente nos algoritmos evolutivos populacionais - têm recebido pouca atenção até agora. Recentemente, a computação evolucionária propôs um novo paradigma para a busca evolucionária: a otimização da multitarefas evolucionária (EMT). Ao contrário das buscas evolucionárias tradicionais, que resolvem uma tarefa em um único lançamento, o algoritmo multitarefas evolucionário faz buscas simultâneas em vários espaços de busca que correspondem a diferentes tarefas ou tarefas de otimização, cada uma com uma paisagem única de funções. Usando a sinergia oculta entre vários problemas, a excelente eficiência na busca da otimização da EMT em termos de qualidade de solução e velocidade de convergência foi demonstrada em várias tarefas contínuas, discretas e híbridas (mistura de contínuas e discretas). Este livro aborda os fundamentos e metodologias de desenvolvimento de algoritmos multitarefas evolucionários para otimização complexa, incluindo áreas caracterizadas por múltiplos objetivos interessantes, espaços de busca de alta dimensão e rigidez NP.
You may also be interested in:
