基于新模型的多目标Memetic算法及收敛分析

将多目标函数优化问题转化成单目标约束优化问题.对转化后的问题提出了基于约束主导原理的选择方法,克服了多数方法只使用Pareto优胜关系作为选择策略而没有采用偏好信息这一缺陷;Memetic算法是求解多目标优化问题最有效的方法之一,它融合了局部搜索和进化计算.新的多目标Memetic算法引进C-metric,将模拟退火算法与遗传算法结合起米,改善了全局搜索能力.用概率论的有关知识证明了算法的收敛性.仿真结果表明该方法对不同的试验函数均可求出一组沿着Pareto前沿分布均匀且散布广泛的非劣解.     

多目标资源优化分配问题的Memetic 算法

针对传统算法求解多目标资源优化分配问题收敛慢、Pareto解不能有效分布在Pareto 前沿面的问题, 提出一种新的Memetic 算法. 在遗传算法的交叉算子中引入模拟退火算法, 加强了遗传算法的局部搜索能力, 加快了收敛速度. 为了使Pareto 最优解均匀分布在Pareto 前沿面, 在染色体编码中引入禁忌表, 增加了种群的多样性, 避免了传统遗传算法后期Pareto 解集过于集中的缺点. 通过与已有的遗传算法、蚁群算法、粒子群算法进行比较, 仿真实验表明了所提出算法的有效性, 并分析了禁忌表长度和模拟退火参数对算法收敛性的影响.

     

一种基于模拟退火的多目标Memetic算法

为了改善多目标进化算法的搜索效率，提出了基于模拟退火的多目标Memetic算法．此算法根据Pareto占优关系评价个体适应值，采用模拟退火进行局部搜索，并结合交叉算子和基于网格密度的选择机制改善算法的收敛速度和解的均衡分布．flowshop调度问题算例的仿真结果表明，基于模拟退火的多目标Memetic算法能够产生更接近Pareto前沿的近似集．     

基于动态拥挤距离的混合多目标免疫优化算法

多目标免疫优化算法的研究目标是种群均匀分布于优化问题的非劣最优域并使算法快速收敛。为进一步提高多目标优化问题非支配解集合的分布均匀性和收敛性,提出了一种基于动态拥挤距离的混合多目标免疫优化算法。该算法基于动态拥挤距离来对个体进行比较和更新操作,从而保持最终解集的均匀分布,同时借鉴经典差分进化算法中的变异引导算子来加强免疫优化算法的局部搜索能力并提高搜索精度。基于5个经典测试函数的仿真结果表明, 与其他几种有效的多目标优化算法相比,所提算法不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且收敛速度也有较大的改进和提高。     

一种混合自适应多目标Memetic算法

Memetic算法是求解多目标优化问题最有效的方法之一，融合了局部搜索和进化计算，具有较高的全局搜索能力．混合自适应多目标Memetic算法（HAMA）用基于模拟退火的加权法进行局部搜索，采用Pareto法实现交叉和变异，通过扰动增强算法的exploration能力，且进化过程可根据改善率自适应调整，以提高搜索效率并改善算法的鲁棒性．算例测试说明HAMA能产生更接近Pareto前沿且多样性更好的近似集．     

基于免疫算法和EDA 的混合多目标优化算法

在免疫多目标优化算法的基础上,引入了分布估计算法(EDA)对进化种群进行建模采样的思想,提出了一种求解复杂多目标优化问题的混合优化算法HIAEDA(hybrid immune algorithm with EDA for multi-objectiveoptimization).HIAEDA 的进化过程混合了两种后代产生策略:一种是基于交叉变异的克隆选择算子,用于在父代种群周围进行局部搜索的同时开辟新的搜索区域;另一种是基于EDA 的模型采样算子,用于学习多目标优化问题决策变量之间的相关性,提高算法求解复杂多目标优化问题的能力.在分析两种算子搜索行为的基础上,讨论了两者在功能上的互补性,并利用有限马尔可夫链的性质证明了HIAEDA 算法的收敛性.对测试函数和实际工程问题的仿真实验结果表明,HIAEDA 与NSGAII 算法和基于EDA 的进化多目标优化算法RM-MEDA 相比,在收敛性和多样性方面均表现出明显优势,尤其是对于决策变量之间存在非线性关联的复杂多目标优化问题,优势更为突出.     

改进的免疫优化算法对动态约束多目标问题的应用

基于进化理论的动态多目标优化算法极易陷入局部最优,跟踪动态Pareto有效面的速度及效果较差。基于免疫系统机理提出一种改进的免疫优化算法(DMIOA)用于动态约束多目标问题求解。算法通过抗体浓度及其支配度设计抗体与抗原亲和力,随机约束选择算子提高算法约束处理能力,环境识别算子自适应判断环境变化,根据识别结果以不同的方式产生新环境的初始抗体群。数值实验中,将DMIOA应用于两种动态标准测试问题及飞机减速器参数动态设计问题的求解,结果表明:DMIOA能快速跟踪动态Pareto有效面,且在各环境所获面分布均匀,具有较好的实际问题求解能力。     

基于免疫应答原理的多目标优化免疫算法及其应用

基于免疫应答原理，合理地构建免疫算子及引入一种新的小生境技术, 提出一种 解决多目标优化问题的免疫算法. 在此算法中，将优化问题的可行解对应抗体及Pareto最优个体对应抗原，这种抗原存于抗原群中,并应用新的聚类算法不断更新抗原群中的抗原, 进而获大量的Pareto最优解, 这些解能很好地分布在Pareto面（此指由Pareto最优解构成）上. 理论证明了该算法能获Pareto最优解. 最后，将该文的算法与文献\[3\]的算法SPEA进行仿真比较, 获该算法的有效性, 此表明免疫算法解决多目标优化问题具有广阔的前景.     

一种新的求解多目标优化问题的遗传算法

提出一种新的求解多目标优化问题的算法-GGGA。该算法运用几何斜率Pareto选择的精英策略,多个子种群从求解目标的不同方向进行区域演化,并借鉴了郭涛算法的多父体杂交算子。数据实验表明这是一种可行的有效算法。算法避免了基于Pareto占优比较的复杂性,在解空间的多样性和快速收敛性方面也显示出优越性。     

基于免疫Memetic算法的网络组播路由优化

为了求得代价最小的网络组播路径,提出了一种基于免疫Memetic算法的优化求解方法。算法充分结合免疫全局搜索和局部搜索机制,设计了适合组播路由问题的各种免疫算子,加快了算法的收敛速度。实验结果表明,该算法在无需备选路径集的情况下,可以较快地找到最优路径,并且算法更加简单。     

一种基于混合高斯模型的多目标进化算法

目前,大多数多目标进化算法采用为单目标优化所设计的重组算子.通过证明或实验分析了几个典型的单目标优化重组算子并不适合某些多目标优化问题.提出了基于分解技术和混合高斯模型的多目标优化算法（multiobjective evolutionary algorithm based on decomposition and mixture Gaussian models,简称MOEA/D-MG）.该算法首先采用一个改进的混合高斯模型对群体建模并采样产生新个体,然后利用一个贪婪策略来更新群体.针对具有复杂Pareto前沿的多目标优化问题的测试结果表明,对给定的大多数测试题,该算法具有良好的效果.     

免疫算子对种群多样性的影响分析

经过多年的发展,研究人员设计出大量的免疫算法来解决多目标优化问题。基于三种免疫算子：克隆选择算子、超突变交叉算子和重组存储记忆算子,并通过分析三种算子何时或以何种方式对免疫算法中种群多样性产生影响,从而对免疫算子与种群多样性之间的联系进行了研究。对NNIA和CMOIA两种经典免疫算法在两个基准问题上进行实验分析,实验结果表明克隆选择算子对于算法多样性有消极影响,而超突变交叉算子和重组记忆存储算子则会帮助算法维护多样性。     

A novel micro-population immune multiobjective optimization algorithm

In this paper, we present a novel immune multiobjective optimization algorithm based on micro-population, which adopts a novel adaptive mutation operator for local search and an efficient fine-grained selection operator for archive update. With the external archive for storing nondominated individuals, the population diversity can be well preserved using an efficient fine-grained selection procedure performed on the micro-population. The adaptive mutation operator is executed according to the fitness values, which promotes to use relatively large steps for boundary and less-crowded individuals in high probability. Therefore, the exploratory capabilities are enhanced. When comparing the proposed algorithm with a recently proposed immune multiobjective algorithm and a scatter search multiobjective algorithm in various benchmark functions, simulations show that the proposed algorithm not only improves convergence ability but also preserves population diversity adequately in most cases.     

Community Detection in Dynamic Social Networks Based on Multiobjective Immune Algorithm

Community structure is one of the most important properties in social networks,and community detection has received an enormous amount of attention in recent years.In dynamic networks,the communities may evolve over time so that pose more challenging tasks than in static ones.Community detection in dynamic networks is a problem which can naturally be formulated with two contradictory objectives and consequently be solved by multiobjective optimization algorithms.In this paper,a novel multiobjective immune algorithm is proposed to solve the community detection problem in dynamic networks.It employs the framework of nondominated neighbor immune algorithm to simultaneously optimize the modularity and normalized mutual information,which quantitatively measure the quality of the community partitions and temporal cost,respectively.The problem-specific knowledge is incorporated in genetic operators and local search to improve the effectiveness and efficiency of our method.Experimental studies based on four synthetic datasets and two real-world social networks demonstrate that our algorithm can not only find community structure and capture community evolution more accurately but also be more steadily than the state-of-the-art algorithms.     

基于人工免疫算法的多目标函数优化

提出了一种新型的人工免疫算法用来解决多目标函数优化问题。基于自然免疫系统固有的优良特性对算法进行了设计和分析。最后，算法对3个较复杂的多目标问题进行了优化，优化结果能很好地覆盖问题的Paret。最优面，并且把算法与某些混合遗传算法进行了对比实验，表明人工免疫算法在解决多目标优化问题上具有可观的研究前景。     

一种新的免疫算法及其在多模态函数优化中的应用

提取免疫应答的部分简化机制并结合小生境技术,提出一种用于多峰值或非连续函数优化的免疫算法.该算法由记忆细胞获取、克隆选择、亲和突变及群体更新这四种算子模块构成.这些算子的有机组合不仅为最优化问题的解决提供了实用新方法,而且反映了抗体应答抗原的简化运行机制.算法设计的重点是借鉴小生境共享实现方法的思想建立有助于增强群体多样性及保留优良抗体的记忆细胞获取算子,以及利用亲和成熟机理设计抗体突变算子.所获算法具有整体和局部搜索能力及并行搜索特点.理论证明了其收敛性.仿真事例比较表明此算法不仅是有效的,而且能快速搜索到多个最优解(针对于多解最优化问题).     

一类动态非线性约束优化问题的新解法

动态非线性约束优化是一类复杂的动态优化问题,其求解的困难主要在于如何处理问题的约束及时间（环境）变量。给出了一类定义在离散时间（环境）空间上的动态非线性约束优化问题的新解法,从问题的约束条件出发构造了一个新的动态熵函数,利用此函数将原优化问题转化成了两个目标的动态优化问题。进一步设计了新的杂交算子和带局部搜索的变异算子,提出了一种新的多目标优化求解进化算法。通过对两个动态非线性约束优化问题的计算仿真,表明该算法是有效的。     

WBMOAIS: A novel artificial immune system for multiobjective optimization

This study presents a novel weight-based multiobjective artificial immune system (WBMOAIS) based on opt-aiNET, the artificial immune system algorithm for multi-modal optimization. The proposed algorithm follows the elementary structure of opt-aiNET, but has the following distinct characteristics: (1) a randomly weighted sum of multiple objectives is used as a fitness function. The fitness assignment has a much lower computational complexity than that based on Pareto ranking, (2) the individuals of the population are chosen from the memory, which is a set of elite solutions, and a local search procedure is utilized to facilitate the exploitation of the search space, and (3) in addition to the clonal suppression algorithm similar to that used in opt-aiNET, a new truncation algorithm with similar individuals (TASI) is presented in order to eliminate similar individuals in memory and obtain a well-distributed spread of non-dominated solutions. The proposed algorithm, WBMOAIS, is compared with the vector immune algorithm (VIS) and the elitist non-dominated sorting genetic system (NSGA-II) that are representative of the state-of-the-art in multiobjective optimization metaheuristics. Simulation results on seven standard problems (ZDT6, SCH2, DEB, KUR, POL, FON, and VNT) show WBMOAIS outperforms VIS and NSGA-II and can become a valid alternative to standard algorithms for solving multiobjective optimization problems.