基于分布式免疫進(jìn)化算法的函數(shù)優(yōu)化問(wèn)題研究.pdf

1、科學(xué)和工程應(yīng)用領(lǐng)域中的很多問(wèn)題都可以通過(guò)數(shù)學(xué)建模轉(zhuǎn)化為函數(shù)優(yōu)化問(wèn)題(Function Optimization Problems，F(xiàn)OPs)，因而對(duì)函數(shù)優(yōu)化問(wèn)題的研究具有十分重要的理論和實(shí)際意義。免疫算法(Immune Algorithms，IAs)是基于近年來(lái)新發(fā)展起來(lái)的計(jì)算智能系統(tǒng)--人工免疫系統(tǒng)((Artificial Immune Systems)平臺(tái)而發(fā)展起來(lái)的一類仿生算法。進(jìn)化算法(Evolutionary Algorith

2、ms，EAs)是一類模擬自然進(jìn)化機(jī)制而發(fā)展起來(lái)的隨機(jī)搜索算法。近年來(lái)這兩類算法已被廣泛地應(yīng)用到函數(shù)優(yōu)化問(wèn)題求解中，并產(chǎn)生了大量的函數(shù)優(yōu)化方法。
　　首先，本文系統(tǒng)地總結(jié)了免疫算法和進(jìn)化算法的基本理論及其應(yīng)用，對(duì)這兩類算法的特性進(jìn)行了詳細(xì)地分析，并對(duì)兩者的搜索機(jī)制和算子進(jìn)行了比較研究，探討了其在求解高維函數(shù)優(yōu)化解中的優(yōu)勢(shì)和不足，對(duì)兩類算法在求解高維函數(shù)優(yōu)化問(wèn)題中進(jìn)行優(yōu)勢(shì)融合的可行性進(jìn)行了分析研究。
　　其次，在對(duì)免疫算法和進(jìn)化

3、算法進(jìn)行系統(tǒng)研究的基礎(chǔ)上，本文利用進(jìn)化算法的分布式模型，結(jié)合免疫算法的記憶機(jī)制設(shè)計(jì)了一種新的主從式模型(NewMaster-Slave Model，NMSM)，此模型中采用改進(jìn)的精英保留策略和精英交叉策略，實(shí)現(xiàn)了精英個(gè)體的優(yōu)勢(shì)融合以及從種群和主種群的并行進(jìn)化。在此模型的基礎(chǔ)上設(shè)計(jì)了分布式免疫進(jìn)化算法(Distributed Immune Evolutionary Algorithm，DIEA)。此算法包括主種群進(jìn)化模塊和子種群進(jìn)化模塊兩

4、個(gè)部分，子種群進(jìn)化模塊負(fù)責(zé)搜索子種群空間中的精英抗體并與主種群模塊共享，主種群模塊負(fù)責(zé)精英抗體的進(jìn)化和對(duì)進(jìn)化過(guò)程的控制，對(duì)免疫算法和進(jìn)化算法的經(jīng)典算子進(jìn)行了改進(jìn)，使算法的整體性能有了很大提升，然后對(duì)算法的整體性能進(jìn)行了分析，并給出了算法收斂性的證明。
　　最后，本文設(shè)計(jì)了基于多線程的虛擬并行計(jì)算仿真系統(tǒng)，通過(guò)不同的測(cè)試函數(shù)驗(yàn)證了DIEA在求解速度和求解質(zhì)量上的可行性和有效性。在論文的最后對(duì)整個(gè)研究工作進(jìn)行了總結(jié)，為算法的進(jìn)一步改進(jìn)