免疫多目标密母算法中的搜索策略研究

摘要

不管是在科学研究领域还是在工程实践上，最优化问题都已成为非常重要的课题之一。其中，仅有一个目标函数的最优化问题被称为单目标优化问题，而现实世界中的最优化问题一般需要对多个目标的同时优化，且被同时优化的多个目标之间又是相互冲突的。为了能使总目标达到最优化，通常需要对相互冲突的子目标进行折衷考虑。
　　人工免疫系统是模仿自然免疫系统功能的一种智能方法，为多目标优化问题提供了一种新颖的求解思路。将人工免疫系统应用于求解多目标优化问题的研究引起了很多的学者的关注。非支配邻域免疫算法(Multi-objective Immune Algorithmwith Non-dominated Neighbor-based Selection，NNIA)是一种优秀的免疫多目标优化算法。NNIA利用基于非支配邻域的个体选择方法，只选择少数相对孤立的非支配个体作为激活抗体，根据激活抗体的拥挤程度进行比例克隆，然后对克隆后的抗体群进行亲和度成熟操作，以此加强对当前Pareto前沿面较稀疏区域的搜索。但是，NNIA中仅采用重组和超变异操作来产生新解，一方面，全局搜索策略的盲目性降低了收敛速度，另一方面，不能保证得到较高质量的解。
　　本文根据种群在进化过程中的分布特性，设计局部搜索策略，并结合NNIA构造新的Memetic算法。本文的主要工作有：
　　(1)将种群进化过程中个体的局部Pareto支配关系和差分进化引入NNIA，构造了一种结合Pareto占优和差分的免疫多目标优化算法MIAMO。基于局部Pareto支配关系的下降搜索算子主要作用于进化前期，能够指导种群朝着Pareto最优解的方向移动，加快种群的收敛速度；邻域差分算子主要作用于进化后期，能够使种群沿着Pareto最优解的方向分布，增加种群的多样性。
　　(2)利用种群进化过程中的Pareto前端的分布信息，在NNIA的基础上构造了一种结合收敛加速算子的免疫克隆多目标优化算法MIACA。算法首先在目标空间上进行局部搜索产生新解，然后通过人工神经网络的预测，使新解从目标空间映射到决策空间，这种建模预测方法在不增加函数评价的同时改进了候选解，从而加速了种群的进化。
　　最后，本文将改进算法在经典的多目标测试问题上与其他优秀的多目标优化算法做了对比仿真实验，结果表明，改进算法与NNIA相比在求解性能方面有所提高。

目录

文摘

英文文摘

第一章 绪论

1.1 多目标优化问题的研究意义

1.2 多目标优化算法的研究现状

1.3 免疫优化算法的主要进展

1.4 Memetic算法研究的发展

1.5 本文的研究动机

1.6 本文的主要工作及内容安排

第二章 基于克隆选择的免疫多目标优化

2.1 多目标优化问题的数学描述

2.2 免疫多目标优化的基本原理

2.3 非支配邻域免疫算法NNIA

2.4 本章小结

第三章 结合Pareto占优和差分的免疫多目标优化算法

3.1 引言

3.2 决策空间上的局部邻域特性

3.3 差分进化思想概述

3.4 改进算法MIAMO的框架设计

3.4.1 基于Pareto占优的局部搜索

3.4.2 基于差分的局部搜索

3.4.3 算法的计算复杂度

3.5 仿真实验及其结果分析

3.5.1 测试问题

3.5.2 性能评价指标

3.5.3 实验设置

3.5.4 实验结果

3.6 本章小结

第四章 结合收敛加速算子的免疫克隆多目标优化算法

4.1 引言

4.2 人工神经网络模型概述

4.3 改进算法MIACA的框架设计

4.3.1 目标空间的局部搜索

4.3.2 目标空间的映射操作

4.3.3 算法计算复杂度

4.4 仿真实验及其结果分析

4.4.1 测试问题

4.4.2 性能评价指标

4.4.3 实验设置

4.4.4 实验结果

4.5 本章小结

第五章 总结与展望

5.1 论文工作总结

5.2 进一步展望

致谢

参考文献

研究成果