基于EDA和人工免疫系統(tǒng)的混合多目標優(yōu)化算法.pdf

1、進化算法作為一類元啟發(fā)式搜索算法，已被成功應用于多目標優(yōu)化領域，發(fā)展成為一個相對較熱的研究方向一進化多目標優(yōu)化。近年來，人工免疫系統(tǒng)、分布估計算法、協(xié)同進化算法在求解多目標優(yōu)化問題上表現(xiàn)出了很大的優(yōu)勢，同時，也存在一定的不足，本文對這些算法進行了研究，所做工作包括：
　　1、基于規(guī)則模型的分布估計多目標優(yōu)化算法RMMEDA(A RegularityModel-Based Multi-objective Estimation of

2、Distribution Algorithm)是一種分布式估計算法，它通過建模采樣產(chǎn)生個體，但沒有利用已找到最優(yōu)解的位置信息進行局部搜索。而免疫克隆選擇算法只包括克隆操作、免疫基因操作和克隆選擇操作三個步驟，忽略了種群內部固有的特征信息。為了克服兩者的不足，并結合它們的優(yōu)勢，提高算法的精度，提出了基于分布估計算法EDA(Estimation of DistributionAlgorithm)和人工免疫系統(tǒng)的混合多目標優(yōu)化算法HIAEDA

3、(Hybrid ImmuneAlgorithm with EDA for Multi-objective Optimization)。該算法首先保留已找到的精英個體，有指導的進行局部搜索，產(chǎn)生部分子代個體，同時，模擬種群在決策空間的分布，分段建立線性模型，挖掘多目標優(yōu)化問題自變量之間的相關性，通過對模型采樣產(chǎn)生一部分個體，兩種方式相結合完成種群的進化。實驗結果表明，HIAEDA與非支配排序選擇算法NSGAⅡ(improved versi

4、on of non-dominatedsorting genetic algorithm)和RMMEDA相比，在收斂性和多樣性方面均都表現(xiàn)出明顯優(yōu)勢，尤其對于自變量之間存在非線性關聯(lián)的復雜多目標優(yōu)化問題，優(yōu)勢更為突出。
　　2、在HIAEDA的基礎上，提出了一種基于多種群協(xié)同進化的免疫多目標優(yōu)化算法。該算法克服了HIAEDA中進化每代都需要對種群進行聚類，算法復雜度較高的缺陷。通過分解方法將種群劃分為多個子種群，每個子種群對應目標