免疫多目標(biāo)密母算法中的搜索策略研究.pdf

1、不管是在科學(xué)研究領(lǐng)域還是在工程實踐上，最優(yōu)化問題都已成為非常重要的課題之一。其中，僅有一個目標(biāo)函數(shù)的最優(yōu)化問題被稱為單目標(biāo)優(yōu)化問題，而現(xiàn)實世界中的最優(yōu)化問題一般需要對多個目標(biāo)的同時優(yōu)化，且被同時優(yōu)化的多個目標(biāo)之間又是相互沖突的。為了能使總目標(biāo)達到最優(yōu)化，通常需要對相互沖突的子目標(biāo)進行折衷考慮。
　　人工免疫系統(tǒng)是模仿自然免疫系統(tǒng)功能的一種智能方法，為多目標(biāo)優(yōu)化問題提供了一種新穎的求解思路。將人工免疫系統(tǒng)應(yīng)用于求解多目標(biāo)優(yōu)化問題的研

2、究引起了很多的學(xué)者的關(guān)注。非支配鄰域免疫算法(Multi-objective Immune Algorithmwith Non-dominated Neighbor-based Selection，NNIA)是一種優(yōu)秀的免疫多目標(biāo)優(yōu)化算法。NNIA利用基于非支配鄰域的個體選擇方法，只選擇少數(shù)相對孤立的非支配個體作為激活抗體，根據(jù)激活抗體的擁擠程度進行比例克隆，然后對克隆后的抗體群進行親和度成熟操作，以此加強對當(dāng)前Pareto前沿面較稀疏

3、區(qū)域的搜索。但是，NNIA中僅采用重組和超變異操作來產(chǎn)生新解，一方面，全局搜索策略的盲目性降低了收斂速度，另一方面，不能保證得到較高質(zhì)量的解。
　　本文根據(jù)種群在進化過程中的分布特性，設(shè)計局部搜索策略，并結(jié)合NNIA構(gòu)造新的Memetic算法。本文的主要工作有：
　　(1)將種群進化過程中個體的局部Pareto支配關(guān)系和差分進化引入NNIA，構(gòu)造了一種結(jié)合Pareto占優(yōu)和差分的免疫多目標(biāo)優(yōu)化算法MIAMO?；诰植縋are

4、to支配關(guān)系的下降搜索算子主要作用于進化前期，能夠指導(dǎo)種群朝著Pareto最優(yōu)解的方向移動，加快種群的收斂速度；鄰域差分算子主要作用于進化后期，能夠使種群沿著Pareto最優(yōu)解的方向分布，增加種群的多樣性。
　　(2)利用種群進化過程中的Pareto前端的分布信息，在NNIA的基礎(chǔ)上構(gòu)造了一種結(jié)合收斂加速算子的免疫克隆多目標(biāo)優(yōu)化算法MIACA。算法首先在目標(biāo)空間上進行局部搜索產(chǎn)生新解，然后通過人工神經(jīng)網(wǎng)絡(luò)的預(yù)測，使新解從目標(biāo)空間映