近日，张凯团队在进化迁移优化算法研究领域取得新进展，相关研究成果在期刊IEEE Transactions on Evolutionary Computation上发表，论文题为《Multi-Task Surrogate-Assisted Search With Bayesian Competitive Knowledge Transfer for Expensive Optimization》（针对昂贵优化问题的基于贝叶斯竞争知识迁移的多任务代理辅助搜索方法）。

创新性：面对“何时迁移”问题，现有知识迁移方法大多依赖先验相似性判断或后验性能观测。然而，在评价次数受限的昂贵优化问题中，前者容易误判任务相关性，后者又难以及时获得充分证据，从而引发负迁移。针对上述问题，本研究提出了一种贝叶斯竞争式知识迁移方法（BCKT），从贝叶斯视角融合先验信念与经验观测，对任务间可迁移性进行动态估计，并通过目标任务优化解与源任务迁移解之间的竞争机制，自适应利用有益知识、抑制负迁移。结果表明，该方法能够有效提升多任务代理辅助搜索算法在多任务和超多任务昂贵优化问题中的性能，并在实际优化场景中表现出良好的适用性。

中文摘要：昂贵优化问题（EOPs）由于评价调用次数有限，给传统进化优化方法带来了显著挑战。尽管代理辅助搜索（SAS）已成为求解EOPs的一种流行范式，但其仍然面临冷启动问题。针对这一挑战，知识迁移因能够利用潜在相关实例中的搜索经验，从而促进更高效决策下的启发式优化，近年来受到广泛关注。然而，在将知识迁移应用于EOPs时，负迁移问题依然存在，其主要原因在于现有方法在评估知识可迁移性方面存在固有局限。一方面，先验可迁移性评估准则由于对任务关系理解不够精确，本质上存在

准确性；另一方面，后验方法通常需要足够的观测数据才能作出正确推断，因此在EOPs中效率较低。基于上述考虑，本文提出了一种贝叶斯竞争式知识迁移（BCKT）方法，用于在同时处理多个EOPs时提升多任务代理辅助搜索（MSAS）的性能。具体而言，该方法从贝叶斯视角估计知识的可迁移性，同时融合先验信念与经验依据，使任务内解与任务间解之间能够进行准确竞争，最终实现对有前景解的自适应利用，并有效抑制劣质解。实验结果验证了该方法在多任务和超多任务问题中增强多种SAS算法的有效性；进一步的对比研究也表明，该方法相较于同类算法具有更优性能，并在实际场景中具有良好的适用性。

IEEE Transactions on Evolutionary Computation是IEEE Computational Intelligence Society出版的进化计算领域权威期刊，涵盖进化计算及相关领域，包括：自然启发式算法；群体智能与种群优化方法；遗传算法；进化优化；多目标优化；代理辅助优化；机器学习与智能系统设计；图像处理与机器视觉；模式识别；进化神经计算；进化模糊系统；机器人与控制；数学建模及工程应用等。该刊创刊于1997年，为双月刊，2024年影响因子为12.0，5年影响因子为14.5，2024年CiteScore为23.5。JCR分区为Q1区，中科院计算机科学大类1区，计算机：人工智能和计算机：理论方法小类均为1区，属于Top期刊。

文章链接：

https://ieeexplore.ieee.org/document/11300851

引用格式：

Lu Y, Zhang K, Xue X, et al. Multi-Task Surrogate-Assisted Search with Bayesian Competitive Knowledge Transfer for Expensive Optimization[J]. IEEE Transactions on Evolutionary Computation, 2025.