用于迁移进化多目标优化的多问题代理方法，结合稀疏迁移堆叠技术

《IEEE Transactions on Evolutionary Computation》：Many-Problem Surrogates for Transfer Evolutionary Multiobjective Optimization With Sparse Transfer Stacking

针对多目标优化中知识迁移的负效应问题，提出基于稀疏表示的元回归模型，结合交替方向乘数法求解约束优化问题，并设计成本敏感的代理模型以降低总成本。实验证明该方法在合成与实际问题中优于传统方法。

　　

摘要：

对于昂贵的多目标优化问题，存在一些有用的知识，例如训练有素的替代模型可以转移到目标优化问题的优化过程中，这种方法被称为多问题替代方法。堆叠迁移技术能够结合预训练的源替代模型和初步的目标模型，并通过元回归算法将知识从源模型转移到目标模型。然而，当大规模的源模型被应用于多问题场景时，相关性较低的源模型可能会对目标性能产生负面影响，这种现象被称为负迁移。在本文中，考虑了元回归系数的稀疏表示方法，以自动选择最相关的源模型，从而大大避免负迁移的发生。在提出的多问题替代方法中，源模型和目标模型的系数在满足非负性和和为一的约束条件下被假设为稀疏的。然后，建立了一个基于系数