基于合作型免疫克隆协同进化和量子粒子群的约束多目标优化问题研究

摘要

近年来多目标优化问题一直是一个热门的研究问题，而在实际应用中我们会发现需要处理的问题或多或少的会带有一些约束条件，尤其是在实际生活中带有约束条件的问题会更多，这样一个新的研究方向应运而生约束多目标优化问题。由于更加贴近实际生活，所以约束多目标优化问题具有很高的研究价值，关于该问题新的算法也不断的被提出。
　　传统的非进化算法的处理约束多目标优化问题的算法并不能很好地表示问题的真实 Pareto前端，大部分算法运行一次只能输出一个结果，这对于我们需要对问题整个Pareto前端有很好表示的要求来说无疑是非常困难的。而进化算法（EA）在处理约束多目标问题时获得了巨大的成功。进化算法进行一次运算后可以输出多个结果，这样只需一次计算就可以相对完整的表达出问题的所有 Pareto前端。因此如何更好的使用进化计算的方法，已经成为求解此类问题的主要研究方向。本文的主要内容包括：
　　(1)本文首先提出了量子免疫克隆算法用于求解约束多目标优化问题。该算法首先引进了一个成熟的约束处理策略，并且在使用时对此约束处理策略进行了修正，将个体的约束偏离值与目标函数值进行简单的相加形成新的目标函数值，接下来从种群中选择出两个精英种群，一个保存可行非支配个体用于存储进化过程中出现的最优解。另一个种群保存约束偏离值小且目标函数值小的个体，扩大了算法的搜寻范围，此举提高了算法计算精度和输出结果的多样性。接着本算法引入了量子算子，考虑到量子计算具有对算法加速的能力，通过设计出一个具有加速能力的量子旋转门，来加速算法的计算速度。该方法较好的提高了输出结果的精度、多样性与均匀性。
　　(2)算法以免疫克隆算法为基础，结合协同进化理论模型设计出了合作型免疫克隆协同进化算法。本算法第一步通过初始化产生多个不同种群，各种群内部首先进行独立的进化操作，每次迭代过程种群内部都通过免疫克隆算法产生下一代种群。种群内部迭代过程结束以后，种群之间则通过邻域共享的方法来进行合作交流。并且本算法设计出了多层次的精英种群策略，用于更好的保存算法寻找到的优秀个体。此外本算法还使用了拥挤度排序策略用于保证算法多样性性能的同时提升算法的计算效率。
　　(3)提出将量子粒子群算法应用到约束多目标优化问题上来。首先，粒子群算子具有很好地搜索能力，而在此基础上产生的量子粒子群算子不但具有很强的局部搜索能力并且具有很好的全局探索能力。算法可以快速的收敛到全局最优解，不过当一个问题拥有多个不连续的最优值区域时，算法无法同时很好的找到全部的最优值区域。于是在量子粒子群的基础上本文又添加了一个变异算子，个体的基因编码以一定的概率进行变异，帮助算法跳出局部最优解从而更好的发挥其搜索能力，最终完成对所有全局最优解的搜索。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 约束多目标优化算法的研究背景和发展现状

1.2 度量指标

1.3 本论文内容安排

第二章 量子免疫克隆算法用于求解约束多目标优化问题

2.1 引言

2.2约束偏离值处理策略

2.3 量子免疫克隆算法用于求解约束多目标优化问题

2.4. 仿真实验及结果分析

2.5 本章总结

第三章 合作型免疫克隆协同进化算法用于求解约束多目标优化问题

3.1 引言

3.2合作型免疫克隆协同进化算法用于求解约束多目标优化

3.3. 仿真实验及结果分析

3.4 本章总结

第四章 基于量子粒子群算法的约束多目标优化问题

4.1 引言

4.2 量子粒子群理论

4.3 量子粒子群用于求解约束多目标优化问题

4.4实验结果及其分分析

4.4 本章总结

第五章 结论与展望

5.1 研究结论

5.2 研究展望

参考文献

致谢

作者简介

1. 基本情况

2. 教育背景

3. 在学期间的研究成果