基于合作型免疫克隆協(xié)同進(jìn)化和量子粒子群的約束多目標(biāo)優(yōu)化問題研究.pdf

1、近年來多目標(biāo)優(yōu)化問題一直是一個(gè)熱門的研究問題，而在實(shí)際應(yīng)用中我們會(huì)發(fā)現(xiàn)需要處理的問題或多或少的會(huì)帶有一些約束條件，尤其是在實(shí)際生活中帶有約束條件的問題會(huì)更多，這樣一個(gè)新的研究方向應(yīng)運(yùn)而生約束多目標(biāo)優(yōu)化問題。由于更加貼近實(shí)際生活，所以約束多目標(biāo)優(yōu)化問題具有很高的研究價(jià)值，關(guān)于該問題新的算法也不斷的被提出。
　　傳統(tǒng)的非進(jìn)化算法的處理約束多目標(biāo)優(yōu)化問題的算法并不能很好地表示問題的真實(shí) Pareto前端，大部分算法運(yùn)行一次只能輸出一個(gè)結(jié)

2、果，這對(duì)于我們需要對(duì)問題整個(gè)Pareto前端有很好表示的要求來說無疑是非常困難的。而進(jìn)化算法（EA）在處理約束多目標(biāo)問題時(shí)獲得了巨大的成功。進(jìn)化算法進(jìn)行一次運(yùn)算后可以輸出多個(gè)結(jié)果，這樣只需一次計(jì)算就可以相對(duì)完整的表達(dá)出問題的所有 Pareto前端。因此如何更好的使用進(jìn)化計(jì)算的方法，已經(jīng)成為求解此類問題的主要研究方向。本文的主要內(nèi)容包括：
　　(1)本文首先提出了量子免疫克隆算法用于求解約束多目標(biāo)優(yōu)化問題。該算法首先引進(jìn)了一個(gè)成熟的

3、約束處理策略，并且在使用時(shí)對(duì)此約束處理策略進(jìn)行了修正，將個(gè)體的約束偏離值與目標(biāo)函數(shù)值進(jìn)行簡單的相加形成新的目標(biāo)函數(shù)值，接下來從種群中選擇出兩個(gè)精英種群，一個(gè)保存可行非支配個(gè)體用于存儲(chǔ)進(jìn)化過程中出現(xiàn)的最優(yōu)解。另一個(gè)種群保存約束偏離值小且目標(biāo)函數(shù)值小的個(gè)體，擴(kuò)大了算法的搜尋范圍，此舉提高了算法計(jì)算精度和輸出結(jié)果的多樣性。接著本算法引入了量子算子，考慮到量子計(jì)算具有對(duì)算法加速的能力，通過設(shè)計(jì)出一個(gè)具有加速能力的量子旋轉(zhuǎn)門，來加速算法的計(jì)算速度

4、。該方法較好的提高了輸出結(jié)果的精度、多樣性與均勻性。
　　(2)算法以免疫克隆算法為基礎(chǔ)，結(jié)合協(xié)同進(jìn)化理論模型設(shè)計(jì)出了合作型免疫克隆協(xié)同進(jìn)化算法。本算法第一步通過初始化產(chǎn)生多個(gè)不同種群，各種群內(nèi)部首先進(jìn)行獨(dú)立的進(jìn)化操作，每次迭代過程種群內(nèi)部都通過免疫克隆算法產(chǎn)生下一代種群。種群內(nèi)部迭代過程結(jié)束以后，種群之間則通過鄰域共享的方法來進(jìn)行合作交流。并且本算法設(shè)計(jì)出了多層次的精英種群策略，用于更好的保存算法尋找到的優(yōu)秀個(gè)體。此外本算法還使

5、用了擁擠度排序策略用于保證算法多樣性性能的同時(shí)提升算法的計(jì)算效率。
　　(3)提出將量子粒子群算法應(yīng)用到約束多目標(biāo)優(yōu)化問題上來。首先，粒子群算子具有很好地搜索能力，而在此基礎(chǔ)上產(chǎn)生的量子粒子群算子不但具有很強(qiáng)的局部搜索能力并且具有很好的全局探索能力。算法可以快速的收斂到全局最優(yōu)解，不過當(dāng)一個(gè)問題擁有多個(gè)不連續(xù)的最優(yōu)值區(qū)域時(shí)，算法無法同時(shí)很好的找到全部的最優(yōu)值區(qū)域。于是在量子粒子群的基礎(chǔ)上本文又添加了一個(gè)變異算子，個(gè)體的基因編碼以一