张 勇 杨 康 郝国生 巩敦卫
进化优化是模拟生物进化行为和机制产生的一类迭代搜索算法,目前已广泛应用于模式识别、经济管理、电气工程和生物学等众多领域[1].典型进化优化技术包含遗传算法(Genetic algorithm,GA)、进化策略(Evolution strategy,ES) 和进化规划(Evolutionary programming,EP) 等.由于同样启发于生物进化行为,部分学者也将粒子群优化和蚁群优化等群体智能优化算法归为进化优化技术.该类算法都是从选定的初始种群出发,通过不断迭代更新种群中个体位置,直至搜索到最适合问题或任务的解.通常,这些算法所依赖的初始种群都是在问题可行域中生成的随机位置.换句话说,现有进化优化算法,如文献[2-8],都是从问题的零初始信息开始搜索,并没有考虑是否以前优化过类似问题,是否可以从历史信息中获得解决当前相似问题的能力.例如,在车间调度问题中,当前月份的生成任务可能与往年某一月份的任务相同或相似.在利用进化优化寻找当前月份最佳调度序列时,如果能够充分利用相似任务的历史信息,势必可以提高其搜索能力.
迁移学习(Transfer learning) 是一种人性化的机器学习方法,其目的是把一个领域(即源领域) 的知识迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果,即使用以前解决相似任务时获得的信息来帮助解决新问题[9].目前迁移学习已广泛应用于图形识别、文本分类、网页分类等诸多问题[10-15].但是,将迁移学习应用于进化优化中,相关……