通过子集选择多任务中的表征诊断优化器-景观交互：来自钢琴指法的证据

连续松弛通常被用作进化多任务优化（EMTO）的一种编码方案，使异构任务能够在统一的搜索空间内进行优化。然而，这些连续表示从根本上重塑了所诱导的适应度景观，其对优化行为与知识迁移的影响仍未得到充分探索。在本工作中，我们通过适应度景观分析来剖析表示所诱导的适应度景观与优化器行为之间的相互作用，从而弥合这一空白。以钢琴指法估计作为子集选择问题的一个代表性案例，我们引入了若干编码变体，并研究它们所诱导的景观如何在 EMTO 下影响搜索动态与解的质量。我们的分析表明，迁移有效性强烈关联于表示所诱导的景观特征的变化，而非仅由算法因素决定，这凸显了表示设计是多任务优化中有效知识迁移的关键因素。

中文由 AI 翻译，仅供参考，以原文为准。