[Paper] 基于聚类的迁移学习用于动态多模态多目标进化算法

Source: arXiv - 2512.18947v1

概述

本文针对 动态优化、多模态搜索 与 多目标进化 交叉领域的一个棘手问题展开研究。在实际系统中——比如自适应网络路由、进化的游戏 AI，或是持续变化的制造调度——最优解会随时间而变，并且常常以多种等价的“形态”存在。作者提出了一套新的基准测试套件以及一种 基于聚类的自编码器，二者协同作用，使得进化算法在环境变化时既能保持 多样性 又能实现 收敛。

关键贡献

• 动态多模态基准套件：12 个测试函数将随时间变化的动态与多个帕累托最优流形相结合，为研究者提供真实的评估平台。
• 基于聚类的自编码器（CAE）预测器：学习先前发现的解簇的紧凑表示，并在每次环境变化后生成高度多样的初始种群。
• 在静态优化器中的自适应分枝：动态调整分枝大小，以平衡收敛（接近帕累托前沿）和多样性（覆盖所有等价解集）。
• 全面的实证研究：展示所提算法在决策空间多样性和目标空间收敛方面优于领先的动态多目标和多模态多目标进化算法。

方法论

1. 问题形式化 – 作者定义了一个 动态多模态多目标优化问题（DMMOP），其中目标函数以及 Pareto 最优集合的形状/数量随离散时间步演化。
2. 基准构建 – 将现有的静态多模态和动态测试套件组合。每个基准通过改变参数（例如，景观旋转、峰值移动）来模拟真实的漂移。
3. 基于聚类的自编码器 (CAE)
   • 聚类：每一代结束后，使用基于密度的聚类算法（如 DBSCAN）对当前种群进行分组。每个簇对应一种独特的模态（即 Pareto 集合的一个“拷贝”）。
   • 自编码器训练：对每个簇，使用决策变量向量训练一个浅层自编码器。编码器压缩簇的几何结构，解码器则学习从潜在空间重构多样化的样本。
   • 预测与重新初始化：环境变化时，已训练的解码器生成一组新颖且多样的候选解，遵循已学习的簇结构，为下一轮进化提供种子。
4. 带自适应分枝的静态优化器 – 在预测得到的种群上运行传统的多目标进化算法（如 NSGA‑III）。自适应分枝机制监控拥挤距离，并动态扩张或收缩分枝，以保持收敛压力和多样性。
5. 评估指标 – 使用标准指标（IGD、HV）评估收敛性，同时通过聚类纯度和扩散度量来衡量决策空间的多样性。

结果与发现

• Decision‑Space Diversity: CAE 驱动的方法在整个运行过程中保持更高数量的不同簇，降低了过早收敛到单一模态的风险。
• Objective‑Space Convergence: 在所有 12 项基准测试中，IGD 和 HV 分数比最佳竞争的动态算法提升 15‑30 %。
• Adaptation Speed: 在环境变化后，自动编码器能够在 2–3 代 内重新生成可行种群，而基线方法需要 5–8 代才能恢复多样性。
• Scalability: 对最多 30 个决策变量的实验显示计算开销适度（自动编码器训练额外增加约 10 % 的运行时间），但能够带来持续的性能提升。

实际意义

• 自适应系统：构建自我优化服务的工程师（例如云资源分配、自动驾驶车辆路径规划）可以嵌入 CAE 预测器，在工作负载或环境变化后快速重新填充解池。
• 游戏开发与程序化内容：动态关卡设计算法可以保持多种可行的设计“风格”，随着玩家行为的演变，生成更丰富、非重复的内容。
• 制造与供应链：当需求模式或机器可用性变化时，该方法能够即时提出多样的生产计划，兼顾多种最优权衡（成本与交付时间）。
• 工具链：基准套件本身提供了一个即用的测试平台，供开发新动态优化库的人员使用，帮助避免对静态或单一模态场景的过拟合。

限制与未来工作

• 模型复杂度：该自动编码器结构浅，可能在非常高维空间中的高度非线性流形上表现不足；可以探索更深的网络结构。
• 聚类敏感性：性能取决于所选的聚类算法及其超参数；需要自动调参机制以实现完全自主部署。
• 真实场景验证：实验仅限于合成基准测试；将该方法应用于实际系统（例如网络流量路由）可检验其在噪声和信息不完整条件下的鲁棒性。
• 混合迁移学习：未来研究可以将CAE预测器与其他迁移学习技术（如元学习）相结合，以进一步降低适应延迟。

作者

• Li Yan
• Bolun Liu
• Chao Li
• Jing Liang
• Kunjie Yu
• Caitong Yue
• Xuzhao Chai
• Boyang Qu

论文信息

• arXiv ID: 2512.18947v1
• 分类: cs.AI, cs.NE
• 出版时间: 2025年12月22日
• PDF: 下载 PDF