基于免疫遗传算法的工程项目多目标优化研究

论文摘要

近年来,随着工程技术的发展,工程项目变得越来越复杂,实现工程项目多个目标均衡实现的难度也越来越大。传统的多目标优化方法由于其在处理多模态等复杂问题上的不足,并不能很好的解决工程项目多目标优化问题,而进化计算技术和人工免疫算法等智能算法具备强大的搜索能力,应用这些技术和方法解决多目标优化问题已成为当今的一个研究热点。本文在广泛研究国内外相关文献的基础上,对多目标遗传算法和人工免疫算法做了深入的理论研究和试验分析,并且在分析其各自特点的基础上,力求提出一种基于免疫遗传算法的多目标优化算法解决工程项目的多目标优化问题。研究的主要内容如下:本文总结了当前已有的多目标遗传算法的算法流程,在处理多目标优化问题中各自的优缺点,提出了人工免疫算法的一般模型,并对人工免疫算法做出改进,提出了基于信息熵的人工免疫算法,通过应用两种算法搜索Rosenbrock函数的最优值的实验可以看出,改进的人工免疫算法由于减少了计算量,具有更快的搜索速度。本文还提出了免疫遗传算法的一般模型,并设计出了具体的免疫遗传算法,该算法采用NSGA的适应值分配策略并引入浓度概念,在浓度的计算上采用基于欧式距离的算法,交叉算子和变异算子采用基于浓度的自适应算子,应用遗传算法,免疫算法和免疫遗传算法对多峰值函数搜索进行测试,得出结论为由于免疫遗传算法引入了浓度机制,能够更好地保持种群的多样性,从而具有更好的全局搜索能力,采用欧式距离的算法,能够极大地减少了计算量,从而提高算法的收敛效率,故算法具有更好的全局搜索能力和收敛效率。为了验证本文算法解决实际问题的效果,通过一个工程实例,应用已有的工程项目多目标模型,运用免疫遗传算法对该问题进行优化,并对结果进行分析,验证了本算法在解决实际项目多目标优化问题上的有效性。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.2 多目标优化方法发展历程和研究现状
• 1.3 多目标免疫算法
• 1.4 本文选题和主要研究内容
• 1.4.1 本文选题
• 1.4.2 本文研究内容
• 第二章 多目标遗传算法
• 2.1 遗传算法的基本概念
• 2.2 遗传算法的运算流程
• 2.3 遗传算法的基本操作
• 2.4 常用的几种多目标遗传算法
• 2.4.1 向量评估遗传算法（VEGA）
• 2.4.2 多目标遗传算法（MOCA）
• 2.4.3 非劣分层遗传算法（NSGA）
• 2.4.4 小生境 Pareto 遗传算法（NPGA）
• 2.4.5 基于距离的 Pareto 遗传算法（DPGA）
• 2.5 本章小节
• 第三章 人工免疫算法
• 3.1 人工免疫算法
• 3.2 人工免疫算法的基本原理
• 3.2.1 信息熵
• 3.2.2 亲和力
• 3.2.3 浓度
• 3.2.4 期望生存率
• 3.3 人工免疫算法的基本步骤
• 3.4 人工免疫算法的收敛性分析
• 3.5 抗体相似性及多样性的改进
• 3.6 常用的人工免疫算法
• 3.6.1 基于信息熵的人工免疫算法
• 3.6.2 基于欧氏距离的人工免疫算法
• 3.7 人工免疫算法和遗传算法的比较
• 第四章 基于免疫遗传原理的多目标优化算法
• 4.1 引言
• 4.2 基本的免疫遗传算法
• 4.3 改进的免疫遗传优化算法的研究
• 4.3.1 改进的免疫遗传优化算法的提出
• 4.3.2 改进的免疫遗传算法
• 4.4 数值实验
• 4.5 本章小节
• 第五章 实例分析
• 5.1 实例问题的提出
• 5.2 模型引入
• 5.2.1 决策变量
• 5.2.2 目标方程
• 5.3 模型的免疫遗传算法的实现
• 5.3.1 染色体结构
• 5.3.2 初始化
• 5.3.3 适应度的计算
• 5.3.4 遗传免疫操作
• 5.3.5 算法终止标准
• 5.4 结果分析
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 附录 免疫遗传算法的 MATLAB 程序的实现
• 发表论文和参加科研情况说明
• 致谢