基于免疫算法的演化多目标优化方法研究

论文摘要

现实生活中的很多问题都是多目标优化问题,越来越多的专家和学者使用演化算法来解决多目标优化问题,并且取得了比较好的结果。在演化过程中,如果演化选择方法使用不当,很难使结果均匀地收敛到全局最优解。免疫算法是依据人体免疫系统自我调节的方法,该算法包括抗原识别、免疫记忆、免疫调节和免疫克隆选择等特性,使得免疫算法能够给演化算法提供很好的启发,解决演化算法中如何平衡全局搜索和局部搜索两者的关系,以及如何使得最优解能够快速收敛到真正Pareto前端的问题。本文在演化算法NSGA-Ⅱ的基础上,结合了免疫算法中的亲和力计算、免疫记忆、免疫克隆选择等机理提出了基于免疫算法的演化多目标优化算法（IMM-NSGA-Ⅱ）.该算法具有四个创新点：第一,加入了免疫算法中免疫记忆特性,保持了算法中的优秀解不被丢掉,同时改善了算法的收敛效率；第二,使用免疫算法中个体亲和力的计算,避免了演化算法中个体拥挤距离计算带来的局限性,维持种群的多样性；第三,增加了免疫算法中的通过克隆选择思想,加大种群个体寻找空间范围,加强算法局部搜索特性,同时对种群个体实现免疫变异算子,更好地促进产生抗体多样性；第四,通过对NSGA-Ⅱ算法自身局限性分析,提出了改进适应度策略、算术交叉算子设计、按需分层策略和设定阈值选择策略,更好地完善了算法的多样性和收敛性。本文最后通过典型的测试函数对改进算法IMM-NSGA-Ⅱ进行了测试,并且与原有算法NSGA-Ⅱ在收敛性和多样性两个方面进行了比较。试验数据表明,改进算法IMM-NSGA-Ⅱ比NSGA-Ⅱ算法具有更好的多样性表现,但是在处理具有多峰特性问题和骗特性问题上的效果不是很好。在算法收敛性方面,IMM-NSGA-Ⅱ算法明显比NSGA-Ⅱ算法能够更快更好地收敛于最优Pareto前沿。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究状况
• 1.2.1 演化多目标优化问题的发展
• 1.2.2 解决演化多目标优化问题的方法
• 1.2.3 演化多目标优化的理论研究
• 1.3 本文的研究工作和创新点
• 1.4 本文的组织结构
• 第2章 演化多目标优化算法
• 2.1 演化多目标优化问题
• 2.2 演化多目标优化算法的框架
• 2.3 基于选择机制的演化多目标算法分类
• 2.3.1 并列选择方法
• 2.3.2 权重方法
• 2.3.3 Pareto排序方法
• 2.3.4 共享函数方法
• 2.4 典型演化多目标优化算法的比较
• 2.4.1 NSGA-Ⅱ算法
• 2.4.2 NPGA算法
• 2.4.3 SPEA算法
• 2.5 演化多目标优化算法的多样性
• 2.5.1 影响演化多目标优化算法多样性的原因
• 2.5.2 演化多目标优化算法多样性保持
• 2.6 演化多目标优化算法的收敛性
• 2.6.1 全局收敛性的条件
• 2.6.2 退化现象
• 2.7 本章小结
• 第3章 基于免疫算法的演化多目标优化算法
• 3.1 免疫算法
• 3.1.1 免疫算法的基本概念
• 3.1.2 免疫算法的特征
• 3.1.3 免疫算法的框架和流程
• 3.1.4 亲和力的计算
• 3.1.5 克隆选择过程
• 3.2 免疫算法与演化算法的比较
• 3.3 基于免疫算法的演化多目标优化算法
• 3.3.1 IMM-NSGA-Ⅱ算法构思
• 3.3.2 IMM-NSGA-Ⅱ算法框架和步骤
• 3.3.3 免疫算子模块设计
• 3.3.4 IMM-NSGA-Ⅱ算法伪代码
• 3.3.5 IMM-NSGA-Ⅱ算法分析
• 3.4 基于NSGA-Ⅱ算法的改进策略
• 3.4.1 改进排序适应度策略
• 3.4.2 算术交叉算子设计
• 3.4.3 按需分层策略
• 3.4.4 设定阈值选择策略
• 3.5 基于信息熵的多样性度量方法
• 3.6 基于距离的收敛性度量方法
• 3.7 本章小结
• 第4章 基于免疫算法的演化多目标优化算法的测试
• 4.1 标准测试函数
• 4.2 测试模型
• 4.3 测试结果
• 4.4 测试分析
• 4.4.1 多样性分析
• 4.4.2 收敛性分析
• 4.5 本章小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 附录 硕士期间参与的科研项目和发表的论文