T-SAEA 尽管解决多目标问题的进化算法(EA)取得了成功,但大多数算法都是基于可以在同一时间段内评估所有目标的假设。 但是,在许多实际应用中,这种假设是不现实的,因为必须使用具有各种时间复杂性的不同计算机模拟或物理实验来评估不同的目标。 为了解决这个问题,在这项工作中提出了一种替代辅助进化算法以及基于参数的转移学习(T-SAEA)。 虽然可以在足够的训练数据上更新廉价目标的替代项,但可以通过训练数据集或转移学习方法来更新昂贵目标的替代项。 为了找出可转让的知识,使用基于过滤器的特征选择算法来捕获每个目标的关键特征,然后将共同的重要特征用作廉价和昂贵目标之间知识转移的载体。 然后,代理模型中的相应参数被自适应地共享以提高代理模型的质量。 参考 如果您发现T-SAEA有用,请引用以下参考资料: 王希鲁,金耀初,塞巴斯蒂安·施密特和马库斯·奥尔霍弗。 “高斯过程的转移学习有助于具有不同评