基于EDA和人工免疫系统的混合多目标优化算法

摘要

进化算法作为一类元启发式搜索算法，已被成功应用于多目标优化领域，发展成为一个相对较热的研究方向一进化多目标优化。近年来，人工免疫系统、分布估计算法、协同进化算法在求解多目标优化问题上表现出了很大的优势，同时，也存在一定的不足，本文对这些算法进行了研究，所做工作包括：
　　1、基于规则模型的分布估计多目标优化算法RMMEDA(A RegularityModel-Based Multi-objective Estimation of Distribution Algorithm)是一种分布式估计算法，它通过建模采样产生个体，但没有利用已找到最优解的位置信息进行局部搜索。而免疫克隆选择算法只包括克隆操作、免疫基因操作和克隆选择操作三个步骤，忽略了种群内部固有的特征信息。为了克服两者的不足，并结合它们的优势，提高算法的精度，提出了基于分布估计算法EDA(Estimation of DistributionAlgorithm)和人工免疫系统的混合多目标优化算法HIAEDA(Hybrid ImmuneAlgorithm with EDA for Multi-objective Optimization)。该算法首先保留已找到的精英个体，有指导的进行局部搜索，产生部分子代个体，同时，模拟种群在决策空间的分布，分段建立线性模型，挖掘多目标优化问题自变量之间的相关性，通过对模型采样产生一部分个体，两种方式相结合完成种群的进化。实验结果表明，HIAEDA与非支配排序选择算法NSGAⅡ(improved version of non-dominatedsorting genetic algorithm)和RMMEDA相比，在收敛性和多样性方面均都表现出明显优势，尤其对于自变量之间存在非线性关联的复杂多目标优化问题，优势更为突出。
　　2、在HIAEDA的基础上，提出了一种基于多种群协同进化的免疫多目标优化算法。该算法克服了HIAEDA中进化每代都需要对种群进行聚类，算法复杂度较高的缺陷。通过分解方法将种群划分为多个子种群，每个子种群对应目标空间的一个子区间，分别模拟Pareto解集PS(Pareto Set)的一段进行建模优化，多个种群协同进化完成整个问题的求解。同样采用了混合子代繁殖策略，发挥了两者的优点。测试了三类不同的多目标优化问题，和RMMEDA、NSGAⅡ、HIAEDA相比，对于变量之间没有关联的ZDT系列函数和变量之间存在非线性关联的函数，该算法在收敛性、多样性和均匀性上都表现出优势，且时间复杂度较HIAEDA相比，有所下降。

目录

文摘

英文文摘

第一章 绪论

1.1 多目标优化问题的产生背景

1.2 进化多目标优化方法及其研究现状

1.3 分布式估计算法和混合多目标优化算法背景

1.4 人工免疫系统和免疫多目标优化算法

1.5 本文的创新动机和主要工作

1.6 本文的组织结构

第二章 进化多目标优化算法

2.1 多目标优化问题的数学描述

2.2 免疫多目标优化算法

2.2.1 免疫克隆选择算法

2.2.2 非支配邻域免疫算法NNIA

2.3 基于EDA的进化多目标优化算法

2.3.1 EDA用于求解多目标优化问题的特点

2.3.2 基于EDA的进化多目标优化算法RMMEDA

2.4 本章小结

第三章 基于免疫算法和BDA的混合多目标优化算法

3.1 引言

3.2 算法的基本思想

3.3 算法的描述

3.4 算法分析

3.5 仿真实验

3.5.1 标准测试函数

3.5.2 性能评价指标

3.5.3 实验参数设置

3.5.4 实验结果及分析

3.6 本章小结

第四章 基于多种群协同进化的免疫多目标优化算法

4.1 引言

4.2 协同进化概述

4.2.1 协同进化论

4.2.2 协同进化算法

4.3 基于分解的种群划分策略

4.4 算法的基本思想

4.5 算法的描述

4.6 算法分析

4.7 仿真实验

4.7.1 实验参数设置

4.7.2 实验结果及分析

4.8 本章小结

第五章 总结与展望

5.1 论文工作总结

5.2 进一步工作展望

致谢

参考文献

研究成果