基于免疫進化的多目標優(yōu)化及其應用研究.pdf

1、科學研究和工程實踐領域遇到的優(yōu)化問題通常具有多個目標函數(shù),鑒于問題本身的復雜性,傳統(tǒng)的數(shù)學規(guī)劃方法已經(jīng)很難高效地求解這類問題。免疫算法和進化計算都使用了有效的群體搜索策略,并且強調(diào)個體之間的信息交換,因此非常適合多目標優(yōu)化問題的求解,近年來引起了越來越多學者的關注,基于人工免疫系統(tǒng)、進化計算的多目標優(yōu)化已經(jīng)成為人工智能領域的研究熱點之一。
　　 在現(xiàn)有的免疫進化多目標優(yōu)化算法基礎上,本文對多目標函數(shù)優(yōu)化及其在聚類方面的應用進行了

2、研究,主要進行了以下三方面的工作:
　　 (1)以非支配近鄰免疫算法為基礎,設計了結合局部搜索的混合免疫多目標優(yōu)化算法,該算法加入了局部搜索策略和自適應克隆種群規(guī)模,局部搜索策略加強了算法的搜索能力,加快了算法的收斂速度,自適應克隆種群規(guī)模使得算法減少了不必要的函數(shù)評價次數(shù)。對比實驗表明,結合局部搜索的混合免疫多目標優(yōu)化算法在求解多目標函數(shù)優(yōu)化問題時具有更快的收斂速度,收斂能力更強。
　　 (2)提出了一種基于進化多目標

3、優(yōu)化的聚類方法,算法采用了簡單的基于類別數(shù)的編碼方式和獨特的種群初始化方法,并且使用了有針對性的進化操作算子,最后選擇合適的策略從Pareto解集中尋找最優(yōu)解。實驗表明,該多目標聚類算法不僅能夠適合不同類型分布的數(shù)據(jù)集,而且提高了聚類正確率,并且在人工合成紋理圖像上的聚類效果也非常明顯。
　　 (3)在工作(1)的算法框架基礎上,提出了一種基于免疫多目標聚類的圖像自動分割方法,使用基于聚類中心的可變長度的編碼方式使得算法能夠自動