演化多任务优化是一个在进化计算社区里新兴的研究主题，其目的在于通过知识迁移的手段来同步提高多个优化任务的收敛效果。不过，现有的大多数演化多任务方法仅仅适用于拥有相似优化地形的同构问题，还没有足够的研究来将演化多任务拓展应用至异构问题。一些初步的研究采用了域适应的方法来提高两个异构问题间的可迁移性，然而，几乎所有的这些方法都会遭遇一个比较严重的问题：任务间映射退化。针对这一问题，本文提出了一个秩损失函数来指导学习一个良好的任务间映射。此外，通过采用一个基于优化路径的表征方法来表征优化任务，我们可以从秩损失函数中导出任务间仿射变换的解析解。值得一提的是，所提出的迁移增强方法可以很容易地嵌入其他的多任务演化框架。最后，我们在一系列测试函数和一个石油工业中的实际问题上对比验证了所提出方法的有效性。

混沌匹配和修正匹配下的映射关系与解迁移比较

所提出的基于表征模型的仿射变换迁移增强技术的演示例子

文章链接：

http://DOI: 10.1109/TCYB.2020.3036393 

  https://ieeexplore.ieee.org/document/9295394