Multi-task optimization problems in the real world often contain constraints. When dealing with these problems, it is necessary to consider multiple tasks and their respective constraints simultaneously. However, most of existing research on multi-task optimization neglects the influence of constraints, which leads to slow convergence speed and susceptibility to local optima. To address the aforementioned issues, this paper proposes a reinforcement learning assisted constrained multi-task evolutionary algorithm. First, to meet the different requirements of different tasks and constraints, an adaptive operator selection strategy based on reinforcement learning is proposed. Second, to enhance population diversity, a multi-population method with different constraint handling techniques is introduced. This method assigns two independent populations to each task. The main population aims to find feasible solutions, while the auxiliary population focuses on exploring the entire search space. Finally, considering the individual differences between tasks, a dimension-based knowledge transfer is employed to facilitate positive information exchange. Compared with other state-of-the-art constrained evolutionary algorithms, the experimental results on constrained multi-task benchmark suite demonstrate the superiority of the proposed algorithm. The source code can be obtained from https://github.com/yufeiyng/RL-CMTEA.

The flying foxes optimization (FFO) algorithm stimulated by the strategy used by flying foxes for subsistence in heat wave environments has shown good performance in the single-objective domain. Aiming to explore the effectiveness and benefits of the subsistence strategy used by flying foxes in solving optimization challenges involving multiple objectives, this research proposes a decomposition-based multi-objective flying foxes optimization algorithm (MOEA/D-FFO). It exhibits a great population management strategy, which mainly includes the following features. (1) In order to improve the exploration effectiveness of the flying fox population, a new offspring generation mechanism is introduced to improve the efficiency of exploration of peripheral space by flying fox populations. (2) A new population updating approach is proposed to adjust the neighbor matrices to the corresponding flying fox individuals using the new offspring, with the aim of enhancing the rate of convergence in the population. Through comparison experiments with classical algorithms (MOEA/D, NSGA-II, IBEA) and cutting-edge algorithms (MOEA/D-DYTS, MOEA/D-UR), MOEA/D-FFO achieves more than 11 best results. In addition, the experimental results under different population sizes show that the proposed algorithm is highly adaptable and has good application prospects in optimization problems for engineering applications.

As a component of the capital market, the stock market plays a very important role in economic development. How to predict the stock price more accurately is the key concern of researchers and investors. To solve the above problems, this paper proposes an Informer based method for stock intraday price prediction. Informer based on attention mechanism can efficiently capture precise long-range dependencies between input and output to increase the prediction capacity. In this research, historical K-line data of traditional securities in China’s financial market are collected. Based on this data set, the intraday stock price prediction performance of Informer and Long Short-Term Memory neural network (LSTM) is compared. The experiment also uses the three-day K-line model to perform pattern recognition on the K-line data of candidate stocks. The results show that the prediction performance of Informer is significantly higher than that of LSTM, and the data information after three-day K-line pattern recognition can improve the prediction accuracy of Informer and reduce time and space overhead of Informer.

The decomposition-based multi-objective optimization algorithm MOEA/D (multi-objective evolutionary algorithm based on decomposition) introduces the concept of neighborhood, where each sub-problem requires optimization through solutions within its neighborhood. Due to the comparison being only with solutions in the neighborhood, the obtained set of solutions is not sufficiently diverse, leading to poorer convergence properties. In order to adequately acquire a high-quality set of solutions, this algorithm requires a large number of population iterations, which in turn results in relatively low computational efficiency. To address this issue, this paper proposes an algorithm termed MOEA/D-NRD, which is based on neighborhood region domination in the MOEA/D framework. In the improved algorithm, domination relationships are determined by comparing offspring solutions against neighborhood ideal points and neighborhood worst points. By selecting appropriate solution sets within these comparison regions, the solution sets can approach the ideal points more and faster, thereby accelerating population convergence and enhancing the computational efficiency of the algorithm.

Dynamic multi-objective big data optimization problems (DMBDOPs) are challenging because of the difficulty of dealing with large-scale decision variables and continuous problem changes. In contrast to classical multi-objective optimization problems, DMBDOPs are still not intensively explored by researchers in the optimization field. At the same time, there is lacking a software framework to provide algorithmic examples to solve DMBDOPs and categorize benchmarks for relevant studies. This paper presents a metaheuristic software framework for DMBDOPs to remedy these issues. The proposed framework has a lightweight architecture and a decoupled design between modules, ensuring that the framework is easy to use and has enough flexibility to be extended and modified. Specifically, the framework now integrates four basic dynamic metaheuristic algorithms, eight test suites of different types of optimization problems, as well as some performance indicators and data visualization tools. In addition, we have proposed an experience reuse method, speeding up the algorithm’s convergence. Moreover, we have implemented parallel computing with Apache Spark to enhance computing efficiency. In the experiments, algorithms integrated into the framework are tested on the test suites for DMBDOPs on an Apache Hadoop cluster with three nodes. The experience reuse method is compared to two restart strategies for dynamic metaheuristics.