基于進化算法的動態(tài)多目標(biāo)優(yōu)化.pdf

1、 近年來，多目標(biāo)優(yōu)化問題吸引了越來越多不同背景的研究人員的注意力。而應(yīng)用中的大多數(shù)多目標(biāo)優(yōu)化問題往往是隨時間動態(tài)變化的，這類問題被成為動態(tài)多目標(biāo)優(yōu)化問題。由于動態(tài)多目標(biāo)優(yōu)化問題在現(xiàn)實世界中的普遍存在性以及其求解的困難性，促使人們付出了很多精力來尋求解決的方法，因此分析和提出解決這類問題的新算法已成為一個新穎的課題。
進化多目標(biāo)優(yōu)化算法是近年來發(fā)展起來的一種新的優(yōu)化算法，該算法具有較好地求解多目標(biāo)優(yōu)化問題的能力，而隨著進化

2、算法的提出和不斷深入的研究，這類算法作為解決多目標(biāo)優(yōu)化問題的新方法已越來越受到學(xué)術(shù)界的重視，并逐步發(fā)展成為有效解決多目標(biāo)優(yōu)化問題的重要技術(shù)。因此，我們考慮采用這類算法解決動態(tài)多目標(biāo)優(yōu)化問題。本論文通過對國內(nèi)外進化多目標(biāo)優(yōu)化算法領(lǐng)域及動態(tài)多目標(biāo)優(yōu)化問題的相關(guān)算法研究現(xiàn)狀和研究方法的分析，結(jié)合多項基金項目，對動態(tài)多目標(biāo)優(yōu)化問題這一新穎而極具挑戰(zhàn)的課題進入了深入而系統(tǒng)的研究，提出了多種新穎有效的算法及實現(xiàn)策略。本文的主要工作概括如下：

3、r> (1) 介紹了多目標(biāo)優(yōu)化算法及動態(tài)多目標(biāo)優(yōu)化問題的數(shù)學(xué)模型及相關(guān)概念，概述這類問題的度量準(zhǔn)則。詳細介紹了一種解決多目標(biāo)優(yōu)化問題的策略——人工免疫克隆操作，并基于考慮通常的進化算法只考慮單個種群而不能很好地保持算法多樣性的缺點，引入?yún)f(xié)同進化算法的相關(guān)理論，采用多種群策略保持算法的多樣性。通過將免疫克隆操作與協(xié)同進化操作的結(jié)合，我們提出了動態(tài)多目標(biāo)優(yōu)化免疫克隆協(xié)同進化算法，該算法設(shè)計了相關(guān)的協(xié)同進化競爭算子和協(xié)同進化合作算子，改進了

4、算法的均勻性和多樣性。通過5個動態(tài)多目標(biāo)優(yōu)化測試問題的實驗驗證了算法的有效性。
(2) 將量子進化計算策略和改進的免疫克隆協(xié)同進化算法相結(jié)合，提出了用以求解動態(tài)多目標(biāo)優(yōu)化問題的動態(tài)多目標(biāo)優(yōu)化量子免疫克隆協(xié)同進化算法。該算法利用量子計算的并行性和量子旋轉(zhuǎn)門的特點，設(shè)計了量子旋轉(zhuǎn)門更新算子，改進了算法的收斂性。同時，算法利用免疫克隆操作中能夠很好保持最優(yōu)解的特點及協(xié)同進化操作能夠保持種群良好的均勻性和多樣性的特點，使得算法在均

5、勻性，多樣性和收斂性上都有所改進。對比實驗表明，該算法在保持較好的均勻性和多樣性的同時，又能有效地提高算法的收斂性。
(3) 提出了一種基于量子粒子群的理論基礎(chǔ)的算法——量子粒子群免疫克隆協(xié)同進化算法，算法利用量子粒子群優(yōu)化算法能夠快速收斂，并改進算法搜索能力的優(yōu)勢，將其與免疫克隆協(xié)同進化算法相結(jié)合，一方面保持了種群在進化過程中的多樣性，另一方面在均勻性和收斂性方面都有所改進。實驗表明：該方法可以有效求解動態(tài)多目標(biāo)優(yōu)化問題