论文部分内容阅读
近年来，多目标优化问题吸引了越来越多不同背景的研究人员的注意力。而应用中的大多数多目标优化问题往往是随时间动态变化的，这类问题被成为动态多目标优化问题。由于动态多目标优化问题在现实世界中的普遍存在性以及其求解的困难性，促使人们付出了很多精力来寻求解决的方法，因此分析和提出解决这类问题的新算法已成为一个新颖的课题。进化多目标优化算法是近年来发展起来的一种新的优化算法，该算法具有较好地求解多目标优化问题的能力，而随着进化算法的提出和不断深入的研究，这类算法作为解决多目标优化问题的新方法已越来越受到学术界的重视，并逐步发展成为有效解决多目标优化问题的重要技术。因此，我们考虑采用这类算法解决动态多目标优化问题。本论文通过对国内外进化多目标优化算法领域及动态多目标优化问题的相关算法研究现状和研究方法的分析，结合多项基金项目，对动态多目标优化问题这一新颖而极具挑战的课题进入了深入而系统的研究，提出了多种新颖有效的算法及实现策略。本文的主要工作概括如下：(1)介绍了多目标优化算法及动态多目标优化问题的数学模型及相关概念，概述这类问题的度量准则。详细介绍了一种解决多目标优化问题的策略——人工免疫克隆操作，并基于考虑通常的进化算法只考虑单个种群而不能很好地保持算法多样性的缺点，引入协同进化算法的相关理论，采用多种群策略保持算法的多样性。通过将免疫克隆操作与协同进化操作的结合，我们提出了动态多目标优化免疫克隆协同进化算法，该算法设计了相关的协同进化竞争算子和协同进化合作算子，改进了算法的均匀性和多样性。通过5个动态多目标优化测试问题的实验验证了算法的有效性。(2)将量子进化计算策略和改进的免疫克隆协同进化算法相结合，提出了用以求解动态多目标优化问题的动态多目标优化量子免疫克隆协同进化算法。该算法利用量子计算的并行性和量子旋转门的特点，设计了量子旋转门更新算子，改进了算法的收敛性。同时，算法利用免疫克隆操作中能够很好保持最优解的特点及协同进化操作能够保持种群良好的均匀性和多样性的特点，使得算法在均匀性，多样性和收敛性上都有所改进。对比实验表明，该算法在保持较好的均匀性和多样性的同时，又能有效地提高算法的收敛性。(3)提出了一种基于量子粒子群的理论基础的算法——量子粒子群免疫克隆协同进化算法，算法利用量子粒子群优化算法能够快速收敛，并改进算法搜索能力的优势，将其与免疫克隆协同进化算法相结合，一方面保持了种群在进化过程中的多样性，另一方面在均匀性和收敛性方面都有所改进。实验表明：该方法可以有效求解动态多目标优化问题。