简介多任务优化平台MToP是一套面向科研人员与工程师的MATLAB工具箱聚焦进化多任务处理场景解决多目标、多任务联合优化问题。压缩包内共2000个文件以m源码为核心收录40余种多任务进化算法、40余种可参与多任务优化的单任务算法并提供150余个实际问题案例与经典基准题目辅以txt说明文档、mat数据文件、png示意图及mex动态库兼顾跨平台运行与二次开发。整个压缩包约38.49MB结构清晰已有173人学习浏览。读者可获取完整平台源码、图形用户界面、覆盖单目标和多目标的20余种性能指标以及便于扩展新算法、新问题的统一接口既适合学术研究中算法对比与验证也能直接支撑工程设计、投资组合、药物剂量等真实优化场景是深入理解并应用多任务优化的高效工具。1. MToP 把「多个相关任务」从串行改成协同优化同时调两个模型的超参数你会怎么做最常见的做法是写个 for 循环串行跑或者用 parallel pool 并行跑。这没问题但任务之间没有任何信息交换。多任务优化不满足于「同时算」而是要让任务 A 收敛过程中学到的分布信息去帮助任务 B 收敛。MToPMultitask Optimization Platform就是在 MATLAB 里把这套想法做成可重复实验的平台内置多因子进化等算法支持多个任务在统一搜索空间内共享种群。它适合两类人需要跑大量对比实验的进化计算研究者以及在 MATLAB 里维护着优化工具箱相关代码、想直接给现有问题加一层跨任务迁移的工程师。2. MToP 的核心机制多因子进化与知识迁移2.1 从多任务到多因子统一搜索空间的编码MToP 不会直接把两个任务各自的决策变量拿来做交叉。原因很直接任务 A 可能是 10 维实数向量任务 B 可能是 5 维整数组合两者的上下界和语义都不一样。直接在原始空间杂交会产生大量越界或语义混乱的后代。所以平台在任务定义外面套了一层「统一搜索空间」通常是[0, 1]上的 D 维实数向量D 取所有任务决策变量维度的最大值。每个个体在这个统一空间里只有一个「身份」但它可以解码到任意任务上。任务 k 只读取个体向量的前D_k个维度然后线性映射到该任务的变量范围。这个截断策略意味着超出D_k的维度对任务 k 是冗余的但对其他更高维任务不是。function xk decode_task(ind, task) % 将统一搜索空间中的个体 ind 解码为任务 task 的真实变量 % ind: 1xD 的实数行向量取值在 [0, 1] 区间 % task.Dk: 当前任务的决策变量维度 % task.lb, task.ub: 1xDk 的下界和上界向量 u ind(1:task.Dk); % 截取该任务需要的维度 xk task.lb (task.ub - task.lb) .* u; % 线性映射到真实范围 end这里用线性映射是最常用的做法适合实数连续优化问题。如果任务变量是离散的比如超参数搜索里的网络层数、批大小我一般会在任务层维护一张离散取值表把取值序号映射到[0, 1]区间而不要直接让 0.37 取整成 0。原因是一旦取整统一空间里的距离关系就被破坏了后续交叉变异的几何意义会变得不可控。2.2 知识迁移怎么发生选型交配与垂直文化传播有了统一空间还要回答一个问题一个个体到底属于哪个任务MToP 沿用了多因子进化里的「技能因子」概念。每个个体保存一个整数skill_factor标记它当前最擅长哪个任务。这个标签不是固定的而是随进化动态变化的如果一个个体在任务 2 上表现更好它下一轮就可能被标成任务 2 的因子。父代选择时如果两个个体的技能因子相同就按常规的单任务进化方式交叉如果因子不同则以随机交配概率 rmp 决定是否让它们跨任务交配。跨任务交配产生的子代只有一个技能因子规则是把子代解码到两个父代各自对应的任务上做评估在哪个任务上排名更高就继承哪个任务因子。这个过程就是垂直文化传播。在 MToP 里这几个术语会反复出现在配置项和实验记录里建议一开始就分清术语含义在 MToP 中的实现统一搜索空间所有任务共享的编码空间[0,1]^D的实数向量技能因子个体最擅长哪个任务整数标号动态分配随机交配概率 rmp异因子个体跨任务交配的概率0~1 的标量参数垂直文化传播子代继承哪种技能因子比较子代在两个任务上的排名rmp 是整个 MToP 里最敏感的参数。它太低任务之间几乎没有交流等于退化成了多个独立种群同时跑它太高负迁移会被放大——任务 A 学到的不适合任务 B 的基因会被频繁引入任务 B 的基因池。所以后面做实验时rmp 一定要放进消融变量里不能当固定值写死。2.3 MToP 里 MFEA/MFEA-II 的算子组织方式MToP 不是一个单独算法而是一套算法容器。以最常见的 MFEA 为例它的主循环会同时维护一个统一种群和一个技能因子列表每一代做选型交配、技能因子分配、环境选择三步。下面这段伪代码概括了主干流程实际平台里的实现会把评估、选择、变异拆分到不同函数里% MFEA 主干循环的 MATLAB 风格伪代码 while evals max_eval offspring []; for i 1:pop_size/2 [p1, p2] select_parents(pop); % 按技能因子选父代 if p1.skill_factor p2.skill_factor [c1, c2] crossover(p1, p2); % 同因子直接交叉 elseif rand rmp [c1, c2] crossover(p1, p2); % 跨任务交配 else c1 mutate(p1); c2 mutate(p2); % 各自变异 end c1.skill_factor assign_factor(c1); % 垂直文化传播 c2.skill_factor assign_factor(c2); offspring [offspring; c1; c2]; % 累积子代 end pop environmental_selection([pop; offspring]); evals evals count_evals(offspring); endassign_factor的实现细节决定了迁移质量。最简单的规则是子代在父代 1 的任务上评估一次在父代 2 的任务上评估一次谁排名高就继承谁的因子。这会让同一个子代产生两次评估开销因此在统计max_eval时必须把重复评估算进去。很多人在 MToP 上跑出的结果和论文对不上就是这里少算了评估次数。MFEA-II 在 MToP 里也有实现它的核心改进是让 rmp 随种群状态自适应调整而不是用户固定一个值。如果你正在跑一个新任务组对 rmp 没有任何先验我一般会先上 MFEA-II 跑一轮拿到一个参考区间再切回 MFEA 做精细消融。这样两个算法互相验证结果会扎实很多。3. 用 MToP 在 MATLAB 里跑通第一个多任务实验3.1 从下载目录到 MATLAB 搜索路径MToP 是源码分发的 MATLAB 平台核心算法都是.m文件不需要编译 MEX。下载后第一件事不是打开 MATLAB 敲代码而是确认 MATLAB 版本。建议 R2020b 以上我一般直接在 R2023b 上跑新版编辑器里的类方法断点和变量检查对调试这类平台帮助明显。拿到解压目录后把整个目录递归加入 MATLAB 搜索路径。写在命令窗口或脚本开头都可以% 将 MToP 根目录及其子目录加入搜索路径 addpath(genpath(D:\matlab_projects\MToP)); % 改成你的实际路径 savepath; % 保存到 pathdef.m下次免配置genpath会递归添加所有子目录这样benchmark、solver、util这些子目录才不会漏。savepath会把当前路径保存到 MATLAB 启动路径文件里之后打开 MATLAB 不用重新addpath。但要注意如果你之后移动了 MToP 目录位置保存的旧路径会失效启动时会报找不到模块。遇到这种情况用pathtool手动清理一次即可。3.2 运行内置 benchmark 的最短脚本确认路径没问题后先跑一个内置 benchmark。以下面的典型双任务配置为例一个脚本完成「定义任务组 → 设置参数 → 运行 MFEA」% run_first_mtop.m addpath(genpath(D:\matlab_projects\MToP)); % 从平台内置 benchmark 中取一个双任务测试组 tasks mtop_benchmark(PPS8); % 返回任务结构体数组 % 设置算法参数 opts mtop_options(); opts.max_eval 5e4; % 总评估预算 opts.pop_size 100; % 统一种群个体数 opts.rmp 0.3; % 跨任务交配概率 opts.verbose true; % 每代打印进度 % 调用 MFEA solver result mtop_solve(tasks, MFEA, opts);这里mtop_benchmark、mtop_options、mtop_solve是平台里常见的封装函数名不同发布版的命名可能略有差异。如果你拿到的版本接口不一样直接打开平台自带demo目录下的某个run_demo.m看看它调用 solver 的骨架结构就行。tasks是一个结构体数组每个任务至少包含Dk、lb、ub、fn四个字段Dk是决策变量维度lb和ub是变量边界fn是目标函数句柄。要注意max_eval是所有任务共享的总评估次数上限不是每个任务各自 5 万次。这是多任务实验和单任务实验在设计上的根本区别平台把一个跑 K 个任务的完整过程当作一次实验预算由所有任务共同消耗。3.3 读取结果并画收敛曲线跑完之后result结构里最重要的是每个任务的最优解、最优值和收敛历史。不同平台版本的字段命名不会完全一致但通常可以从下表里找到对应result 字段维度含义best_fitness1 x K每个任务当前最优评估值best_solution1 x K cell每个任务在真实变量空间的最优解history{k}结构体第 k 个任务的收敛记录含best_errorpop_historycell按代保存的种群快照用于因子分布分析画图时我推荐用semilogy而不是plot因为进化误差的收敛跨度往往有几个数量级线性坐标会掩盖早期迭代的变化% 画两个任务的收敛曲线 figure; for k 1:numel(tasks) semilogy(result.history{k}.best_error, LineWidth, 1.5); hold on; end grid on; legend(arrayfun((t) sprintf(Task %d, t.id), tasks, UniformOutput, false)); xlabel(Generation); ylabel(Best Error);history{k}.best_error是第 k 个任务历史最优解与理论最优值之间的误差。如果 benchmark 没提供理论最优就画原始最优值但曲线下降趋势的解读逻辑是一样的。注意semilogy对零误差会画到负无穷位置平台一般会把零误差记成eps。如果你看到曲线掉到图底之外先确认是不是误差已经归零不要急着当成 bug。4. MToP 参数怎么设从 benchmark 到迁移强度4.1 多任务 benchmark 怎么选很多人在 MToP 上跑出的第一个结果很难看不是因为平台有问题而是选了不合适的 benchmark。多任务 benchmark 的设计要点不是「任务本身难」而是「任务之间的相关性可控」。常见的做法是把 sphere、rastrigin、rosenbrock 这类经典函数做偏移和旋转后组合成任务对偏移量决定最优点的距离旋转矩阵决定相关性强弱。MToP 内置的问题集通常会按 CEC 多任务竞赛的风格打包一个任务组里有 2 到 50 个任务不等。新手阶段我强烈建议从双任务开始先把迁移机制跑明白再上多任务。并不是任务越多越好任务数增加后种群需要在更多技能因子之间分配负迁移的概率也会上升。任务组类型任务数典型维度适合验证什么简单函数对210平台安装是否正确、收敛趋势是否正常偏移/旋转复合问题2-520~50负迁移控制、rmp 敏感性大规模任务组10 以上50~100平台可扩展性、因子分布是否失衡如果你手头只有自己的应用问题没有 benchmark也可以沿用这个分级思路先用两个经过旋转处理的测试函数对平台做验证再换成真实问题。直接用真实问题上手一旦结果不好很难判断是迁移策略失效还是平台配置不对。4.2 最值得调的先调这 3 个参数MToP 的可调参数比单任务优化器多一层除了种群规模和评估预算还要额外面对 rmp。我建议参数调优的顺序固定为「种群规模 → rmp → 评估预算」不要上来就改交叉概率或变异概率。前面的参数没定后面改了也没法解释。pop_size所有任务共用一个种群所以种群规模要能覆盖所有任务的技能因子。K2 时 100~200 通常够K10 时不是简单线性放大而是取 200~400 后靠增加评估预算来补因为每个因子下至少要保持几十个个体才能支撑排名选择。rmp跨任务交配概率取值 0~1。0 表示完全不做跨任务交配等价于多种群独立进化1 表示所有异因子父代都强制交配负迁移风险最大。常用起点是 0.3但碰上强相关的任务对可以往上提碰上弱相关任务对应该往下降。max_eval总评估次数直接决定实验时长。多任务实验的公平做法是「总预算相同」不是每个任务预算乘以任务数。如果任务多而预算没加平均到每个任务的预算变少迁移带来的收益和损失也会被一起放大。参数推荐起点主要作用常见坑pop_size100统一种群个体数任务多时个体过少技能因子分配会漂移rmp0.3控制跨任务交配频率设过高会把负迁移基因引入全部任务max_eval5e4总函数评估预算误以为是每个任务各有的预算4.3 用消融实验判断迁移是正还是负判断一个任务组是否真正受益于多任务优化不能只看一次有没有跑出好结果。我一般固定max_eval把 rmp 扫一遍rmp0就是天然基线。如果 rmp 大于 0 的结果反而更差说明这两个任务之间存在负迁移。% 扫描 rmp比较每个任务的最优值 rmps [0 0.1 0.3 0.5 0.7]; final_error zeros(numel(rmps), numel(tasks)); for i 1:numel(rmps) opts.rmp rmps(i); r mtop_solve(tasks, MFEA, opts); for k 1:numel(tasks) final_error(i, k) r.best_fitness(k); end end % 以表格形式打印结果 disp(array2table(final_error, ... VariableNames, {Task1, Task2}, ... RowNames, string(rmps)));array2table把结果整理成可读表格RowNames用 rmp 参数值标识每一行这样横向能看任务、纵向能看 rmp 趋势。有一点必须说清rmp0时种群仍然是共享的、选择仍然基于全局种群所以它不是严格的单任务基线只是「无迁移的多任务基线」。想和纯单任务比必须另跑单任务 solver 并把预算设置成同样的总评估次数否则对比不公平。5. 从 MToP 结果反推迁移策略一个调试模板5.1 先看技能因子分配跑完一次实验我第一件事不是看最优值而是看技能因子分布。如果种群几乎全被某一种因子占据说明另一个任务长期没有贡献个体所谓的多任务搜索已经退化成单任务。查看方式很简单从result.pop_history里取某一代的种群快照pop_10 result.pop_history{10}; histogram(pop_10.skill_factor, Normalization, probability); xlabel(Skill Factor); ylabel(Ratio);如果因子分布长期集中在 1先尝试提高 rmp再检查两个任务维度是否差距过大。维度差太大会导致低维任务的高质量基因在统一空间里被高维任务的冗余维度稀释这是一个容易被忽略的结构性原因。5.2 用收敛曲线判断负迁移把不同 rmp 的收敛曲线画到同一张半对数图上能看出负迁移发生的阶段。常见模式是rmp 较高的曲线前期下降很快因为早期异因子交配带来了新鲜基因但到了后期劣质基因持续跨任务注入曲线停在比低 rmp 更高的平台上。这就是「迁移红利吃在前期、负迁移代价付在后期」。遇到这种情况不需要立刻换算法。我经常在循环里让 rmp 随代数衰减效果往往不错opts.rmp 0.6 * (1 - gen / opts.max_gen); % rmp 从 0.6 线性衰减到 0这个衰减策略不是 MToP 平台内置选项但可以作为参数扫描的一部分写进实验脚本结果和 MFEA-II 的自适应机制互为参照。5.3 把 MToP 结果接回 MATLAB 优化工具箱如果你手头的场景原本用的是 Optimization Toolbox 的fmincon不需要把整个流程替换掉。更稳的做法是桥接先用 MToP 负责全局搜索找到每个任务最优解附近的一个好起点再用fmincon做局部精修。因为 MFEA 这类进化算法擅长跨峰探索不擅长最后的局部收敛而fmincon在光滑局部区域收敛速度极快。把result.best_solution{k}解码到真实变量后传给fmincon精修后的值作为最终结果输出。把这一段脚本存成refine_mtop_result.m以后换 benchmark 只需要改输入结构不用动精修流程。本文还有配套的精品资源点击获取 MATLAB多任务优化实践：MToP平台与MFEA算法解析
简介多任务优化平台MToP是一套面向科研人员与工程师的MATLAB工具箱聚焦进化多任务处理场景解决多目标、多任务联合优化问题。压缩包内共2000个文件以m源码为核心收录40余种多任务进化算法、40余种可参与多任务优化的单任务算法并提供150余个实际问题案例与经典基准题目辅以txt说明文档、mat数据文件、png示意图及mex动态库兼顾跨平台运行与二次开发。整个压缩包约38.49MB结构清晰已有173人学习浏览。读者可获取完整平台源码、图形用户界面、覆盖单目标和多目标的20余种性能指标以及便于扩展新算法、新问题的统一接口既适合学术研究中算法对比与验证也能直接支撑工程设计、投资组合、药物剂量等真实优化场景是深入理解并应用多任务优化的高效工具。1. MToP 把「多个相关任务」从串行改成协同优化同时调两个模型的超参数你会怎么做最常见的做法是写个 for 循环串行跑或者用 parallel pool 并行跑。这没问题但任务之间没有任何信息交换。多任务优化不满足于「同时算」而是要让任务 A 收敛过程中学到的分布信息去帮助任务 B 收敛。MToPMultitask Optimization Platform就是在 MATLAB 里把这套想法做成可重复实验的平台内置多因子进化等算法支持多个任务在统一搜索空间内共享种群。它适合两类人需要跑大量对比实验的进化计算研究者以及在 MATLAB 里维护着优化工具箱相关代码、想直接给现有问题加一层跨任务迁移的工程师。2. MToP 的核心机制多因子进化与知识迁移2.1 从多任务到多因子统一搜索空间的编码MToP 不会直接把两个任务各自的决策变量拿来做交叉。原因很直接任务 A 可能是 10 维实数向量任务 B 可能是 5 维整数组合两者的上下界和语义都不一样。直接在原始空间杂交会产生大量越界或语义混乱的后代。所以平台在任务定义外面套了一层「统一搜索空间」通常是[0, 1]上的 D 维实数向量D 取所有任务决策变量维度的最大值。每个个体在这个统一空间里只有一个「身份」但它可以解码到任意任务上。任务 k 只读取个体向量的前D_k个维度然后线性映射到该任务的变量范围。这个截断策略意味着超出D_k的维度对任务 k 是冗余的但对其他更高维任务不是。function xk decode_task(ind, task) % 将统一搜索空间中的个体 ind 解码为任务 task 的真实变量 % ind: 1xD 的实数行向量取值在 [0, 1] 区间 % task.Dk: 当前任务的决策变量维度 % task.lb, task.ub: 1xDk 的下界和上界向量 u ind(1:task.Dk); % 截取该任务需要的维度 xk task.lb (task.ub - task.lb) .* u; % 线性映射到真实范围 end这里用线性映射是最常用的做法适合实数连续优化问题。如果任务变量是离散的比如超参数搜索里的网络层数、批大小我一般会在任务层维护一张离散取值表把取值序号映射到[0, 1]区间而不要直接让 0.37 取整成 0。原因是一旦取整统一空间里的距离关系就被破坏了后续交叉变异的几何意义会变得不可控。2.2 知识迁移怎么发生选型交配与垂直文化传播有了统一空间还要回答一个问题一个个体到底属于哪个任务MToP 沿用了多因子进化里的「技能因子」概念。每个个体保存一个整数skill_factor标记它当前最擅长哪个任务。这个标签不是固定的而是随进化动态变化的如果一个个体在任务 2 上表现更好它下一轮就可能被标成任务 2 的因子。父代选择时如果两个个体的技能因子相同就按常规的单任务进化方式交叉如果因子不同则以随机交配概率 rmp 决定是否让它们跨任务交配。跨任务交配产生的子代只有一个技能因子规则是把子代解码到两个父代各自对应的任务上做评估在哪个任务上排名更高就继承哪个任务因子。这个过程就是垂直文化传播。在 MToP 里这几个术语会反复出现在配置项和实验记录里建议一开始就分清术语含义在 MToP 中的实现统一搜索空间所有任务共享的编码空间[0,1]^D的实数向量技能因子个体最擅长哪个任务整数标号动态分配随机交配概率 rmp异因子个体跨任务交配的概率0~1 的标量参数垂直文化传播子代继承哪种技能因子比较子代在两个任务上的排名rmp 是整个 MToP 里最敏感的参数。它太低任务之间几乎没有交流等于退化成了多个独立种群同时跑它太高负迁移会被放大——任务 A 学到的不适合任务 B 的基因会被频繁引入任务 B 的基因池。所以后面做实验时rmp 一定要放进消融变量里不能当固定值写死。2.3 MToP 里 MFEA/MFEA-II 的算子组织方式MToP 不是一个单独算法而是一套算法容器。以最常见的 MFEA 为例它的主循环会同时维护一个统一种群和一个技能因子列表每一代做选型交配、技能因子分配、环境选择三步。下面这段伪代码概括了主干流程实际平台里的实现会把评估、选择、变异拆分到不同函数里% MFEA 主干循环的 MATLAB 风格伪代码 while evals max_eval offspring []; for i 1:pop_size/2 [p1, p2] select_parents(pop); % 按技能因子选父代 if p1.skill_factor p2.skill_factor [c1, c2] crossover(p1, p2); % 同因子直接交叉 elseif rand rmp [c1, c2] crossover(p1, p2); % 跨任务交配 else c1 mutate(p1); c2 mutate(p2); % 各自变异 end c1.skill_factor assign_factor(c1); % 垂直文化传播 c2.skill_factor assign_factor(c2); offspring [offspring; c1; c2]; % 累积子代 end pop environmental_selection([pop; offspring]); evals evals count_evals(offspring); endassign_factor的实现细节决定了迁移质量。最简单的规则是子代在父代 1 的任务上评估一次在父代 2 的任务上评估一次谁排名高就继承谁的因子。这会让同一个子代产生两次评估开销因此在统计max_eval时必须把重复评估算进去。很多人在 MToP 上跑出的结果和论文对不上就是这里少算了评估次数。MFEA-II 在 MToP 里也有实现它的核心改进是让 rmp 随种群状态自适应调整而不是用户固定一个值。如果你正在跑一个新任务组对 rmp 没有任何先验我一般会先上 MFEA-II 跑一轮拿到一个参考区间再切回 MFEA 做精细消融。这样两个算法互相验证结果会扎实很多。3. 用 MToP 在 MATLAB 里跑通第一个多任务实验3.1 从下载目录到 MATLAB 搜索路径MToP 是源码分发的 MATLAB 平台核心算法都是.m文件不需要编译 MEX。下载后第一件事不是打开 MATLAB 敲代码而是确认 MATLAB 版本。建议 R2020b 以上我一般直接在 R2023b 上跑新版编辑器里的类方法断点和变量检查对调试这类平台帮助明显。拿到解压目录后把整个目录递归加入 MATLAB 搜索路径。写在命令窗口或脚本开头都可以% 将 MToP 根目录及其子目录加入搜索路径 addpath(genpath(D:\matlab_projects\MToP)); % 改成你的实际路径 savepath; % 保存到 pathdef.m下次免配置genpath会递归添加所有子目录这样benchmark、solver、util这些子目录才不会漏。savepath会把当前路径保存到 MATLAB 启动路径文件里之后打开 MATLAB 不用重新addpath。但要注意如果你之后移动了 MToP 目录位置保存的旧路径会失效启动时会报找不到模块。遇到这种情况用pathtool手动清理一次即可。3.2 运行内置 benchmark 的最短脚本确认路径没问题后先跑一个内置 benchmark。以下面的典型双任务配置为例一个脚本完成「定义任务组 → 设置参数 → 运行 MFEA」% run_first_mtop.m addpath(genpath(D:\matlab_projects\MToP)); % 从平台内置 benchmark 中取一个双任务测试组 tasks mtop_benchmark(PPS8); % 返回任务结构体数组 % 设置算法参数 opts mtop_options(); opts.max_eval 5e4; % 总评估预算 opts.pop_size 100; % 统一种群个体数 opts.rmp 0.3; % 跨任务交配概率 opts.verbose true; % 每代打印进度 % 调用 MFEA solver result mtop_solve(tasks, MFEA, opts);这里mtop_benchmark、mtop_options、mtop_solve是平台里常见的封装函数名不同发布版的命名可能略有差异。如果你拿到的版本接口不一样直接打开平台自带demo目录下的某个run_demo.m看看它调用 solver 的骨架结构就行。tasks是一个结构体数组每个任务至少包含Dk、lb、ub、fn四个字段Dk是决策变量维度lb和ub是变量边界fn是目标函数句柄。要注意max_eval是所有任务共享的总评估次数上限不是每个任务各自 5 万次。这是多任务实验和单任务实验在设计上的根本区别平台把一个跑 K 个任务的完整过程当作一次实验预算由所有任务共同消耗。3.3 读取结果并画收敛曲线跑完之后result结构里最重要的是每个任务的最优解、最优值和收敛历史。不同平台版本的字段命名不会完全一致但通常可以从下表里找到对应result 字段维度含义best_fitness1 x K每个任务当前最优评估值best_solution1 x K cell每个任务在真实变量空间的最优解history{k}结构体第 k 个任务的收敛记录含best_errorpop_historycell按代保存的种群快照用于因子分布分析画图时我推荐用semilogy而不是plot因为进化误差的收敛跨度往往有几个数量级线性坐标会掩盖早期迭代的变化% 画两个任务的收敛曲线 figure; for k 1:numel(tasks) semilogy(result.history{k}.best_error, LineWidth, 1.5); hold on; end grid on; legend(arrayfun((t) sprintf(Task %d, t.id), tasks, UniformOutput, false)); xlabel(Generation); ylabel(Best Error);history{k}.best_error是第 k 个任务历史最优解与理论最优值之间的误差。如果 benchmark 没提供理论最优就画原始最优值但曲线下降趋势的解读逻辑是一样的。注意semilogy对零误差会画到负无穷位置平台一般会把零误差记成eps。如果你看到曲线掉到图底之外先确认是不是误差已经归零不要急着当成 bug。4. MToP 参数怎么设从 benchmark 到迁移强度4.1 多任务 benchmark 怎么选很多人在 MToP 上跑出的第一个结果很难看不是因为平台有问题而是选了不合适的 benchmark。多任务 benchmark 的设计要点不是「任务本身难」而是「任务之间的相关性可控」。常见的做法是把 sphere、rastrigin、rosenbrock 这类经典函数做偏移和旋转后组合成任务对偏移量决定最优点的距离旋转矩阵决定相关性强弱。MToP 内置的问题集通常会按 CEC 多任务竞赛的风格打包一个任务组里有 2 到 50 个任务不等。新手阶段我强烈建议从双任务开始先把迁移机制跑明白再上多任务。并不是任务越多越好任务数增加后种群需要在更多技能因子之间分配负迁移的概率也会上升。任务组类型任务数典型维度适合验证什么简单函数对210平台安装是否正确、收敛趋势是否正常偏移/旋转复合问题2-520~50负迁移控制、rmp 敏感性大规模任务组10 以上50~100平台可扩展性、因子分布是否失衡如果你手头只有自己的应用问题没有 benchmark也可以沿用这个分级思路先用两个经过旋转处理的测试函数对平台做验证再换成真实问题。直接用真实问题上手一旦结果不好很难判断是迁移策略失效还是平台配置不对。4.2 最值得调的先调这 3 个参数MToP 的可调参数比单任务优化器多一层除了种群规模和评估预算还要额外面对 rmp。我建议参数调优的顺序固定为「种群规模 → rmp → 评估预算」不要上来就改交叉概率或变异概率。前面的参数没定后面改了也没法解释。pop_size所有任务共用一个种群所以种群规模要能覆盖所有任务的技能因子。K2 时 100~200 通常够K10 时不是简单线性放大而是取 200~400 后靠增加评估预算来补因为每个因子下至少要保持几十个个体才能支撑排名选择。rmp跨任务交配概率取值 0~1。0 表示完全不做跨任务交配等价于多种群独立进化1 表示所有异因子父代都强制交配负迁移风险最大。常用起点是 0.3但碰上强相关的任务对可以往上提碰上弱相关任务对应该往下降。max_eval总评估次数直接决定实验时长。多任务实验的公平做法是「总预算相同」不是每个任务预算乘以任务数。如果任务多而预算没加平均到每个任务的预算变少迁移带来的收益和损失也会被一起放大。参数推荐起点主要作用常见坑pop_size100统一种群个体数任务多时个体过少技能因子分配会漂移rmp0.3控制跨任务交配频率设过高会把负迁移基因引入全部任务max_eval5e4总函数评估预算误以为是每个任务各有的预算4.3 用消融实验判断迁移是正还是负判断一个任务组是否真正受益于多任务优化不能只看一次有没有跑出好结果。我一般固定max_eval把 rmp 扫一遍rmp0就是天然基线。如果 rmp 大于 0 的结果反而更差说明这两个任务之间存在负迁移。% 扫描 rmp比较每个任务的最优值 rmps [0 0.1 0.3 0.5 0.7]; final_error zeros(numel(rmps), numel(tasks)); for i 1:numel(rmps) opts.rmp rmps(i); r mtop_solve(tasks, MFEA, opts); for k 1:numel(tasks) final_error(i, k) r.best_fitness(k); end end % 以表格形式打印结果 disp(array2table(final_error, ... VariableNames, {Task1, Task2}, ... RowNames, string(rmps)));array2table把结果整理成可读表格RowNames用 rmp 参数值标识每一行这样横向能看任务、纵向能看 rmp 趋势。有一点必须说清rmp0时种群仍然是共享的、选择仍然基于全局种群所以它不是严格的单任务基线只是「无迁移的多任务基线」。想和纯单任务比必须另跑单任务 solver 并把预算设置成同样的总评估次数否则对比不公平。5. 从 MToP 结果反推迁移策略一个调试模板5.1 先看技能因子分配跑完一次实验我第一件事不是看最优值而是看技能因子分布。如果种群几乎全被某一种因子占据说明另一个任务长期没有贡献个体所谓的多任务搜索已经退化成单任务。查看方式很简单从result.pop_history里取某一代的种群快照pop_10 result.pop_history{10}; histogram(pop_10.skill_factor, Normalization, probability); xlabel(Skill Factor); ylabel(Ratio);如果因子分布长期集中在 1先尝试提高 rmp再检查两个任务维度是否差距过大。维度差太大会导致低维任务的高质量基因在统一空间里被高维任务的冗余维度稀释这是一个容易被忽略的结构性原因。5.2 用收敛曲线判断负迁移把不同 rmp 的收敛曲线画到同一张半对数图上能看出负迁移发生的阶段。常见模式是rmp 较高的曲线前期下降很快因为早期异因子交配带来了新鲜基因但到了后期劣质基因持续跨任务注入曲线停在比低 rmp 更高的平台上。这就是「迁移红利吃在前期、负迁移代价付在后期」。遇到这种情况不需要立刻换算法。我经常在循环里让 rmp 随代数衰减效果往往不错opts.rmp 0.6 * (1 - gen / opts.max_gen); % rmp 从 0.6 线性衰减到 0这个衰减策略不是 MToP 平台内置选项但可以作为参数扫描的一部分写进实验脚本结果和 MFEA-II 的自适应机制互为参照。5.3 把 MToP 结果接回 MATLAB 优化工具箱如果你手头的场景原本用的是 Optimization Toolbox 的fmincon不需要把整个流程替换掉。更稳的做法是桥接先用 MToP 负责全局搜索找到每个任务最优解附近的一个好起点再用fmincon做局部精修。因为 MFEA 这类进化算法擅长跨峰探索不擅长最后的局部收敛而fmincon在光滑局部区域收敛速度极快。把result.best_solution{k}解码到真实变量后传给fmincon精修后的值作为最终结果输出。把这一段脚本存成refine_mtop_result.m以后换 benchmark 只需要改输入结构不用动精修流程。本文还有配套的精品资源点击获取