MOMFEA-SADE

MOMFEA-SADE是一种基于多目标优化的多任务优化算法。它是在MOMFEA（多目标多任务优化进化算法）的基础上结合了SADE（自适应差分进化算法）的思想而提出的。在MOMFEA-SADE中，算法的整体运行构成在EMTPD中，其中运行函数在Callsolver.m中。算法的主体和MOMFEA框架没有区别，最主要的区别在Strategy.m中。Strategy.m包含了整个模型的构建，其中包括极大似然函数、混合高斯模型和EM算法的描述，这些描述遵循了机器学习经典书籍PRML中的实现。[1]

在EMT算法中，知识可以从单个或多个个体中提取，并转移到其他个体中，以方便它们的搜索。其中，基于单个个体的知识转移方法(KTS)是指从一个任务的单个个体中提取知识，并将知识转移到其他任务。具有KTS的EMT算法包括MFEA、M-BLEA、LDA-MFEA、S&M-MFEA、MO-MFEA、GMFEA、TMOMFEA、MTO-DRA、MFEA-II、MFEAGHS和MFGP。这些算法通过分类交配和垂直文化传播来传递知识。在分类交配中，从群体中随机选择两个个体，然后通过模拟二进制交叉(SBX)和多项式变异产生后代。在垂直文化传播中，每个后代被随机分配一项任务。KTS使得每个任务都能获得不同的知识，从而保持了人口的多样性。然而，由于知识传递的随机性，具有KTS的EMT算法不能充分利用高质量解的知识来加速种群的收敛速度。[2]

在KTM中，一个解决方案可以由其他解决方案指导。例如，在HS场景下的KTM中，一个解决方案可以由其他任务的高质量解决方案指导。然而，KTM也可能会转移劣解的知识，导致搜索偏离理想的方向。因此，在一些KTS和KTM的方法中，每一代人只受到每次任务的一个或几个最佳解的指导，以避免将种群引向局部最优解。[3]

综上所述，MOMFEA-SADE是一种基于多目标优化的多任务优化算法，它结合了SADE的思想，并在EMT算法中引入了KTS和KTM的概念。这种算法可以通过知识转移来提高搜索效率，并避免陷入局部最优解。