动态多目标免疫优化算法及性能测试研究

基于生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能，提出一种动态多目标免疫优化算法处理动态多目标优化问题．算法设计中，依据自适应ξ邻域及抗体所处位置设计抗体的亲和力，基于Pareto控制的概念，利用分层选择确定参与进化的抗体，经由克隆扩张及自适应高斯变异，提高群体的平均亲和力，利用免疫记忆、动态维持和Average linkage聚类方法，设计环境识别规则和记忆池，借助3种不同类型的动态多目标测试问题，通过与出众的动态环境优化算法比较，数值实验表明所提出算法解决复杂动态多目标优化问题具有较大潜力．     

混沌系统动态多目标免疫优化算法及其应用

生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能,提出一种动态多目标免疫优化算法处理动态多目标优化问题.算法设计中,Logistic映射产生混沌抗体群;利用抗体的被控度和抗体拥挤距离设计抗体的亲和力;借助控制概念将群体分为非控群和被控群,再分别对其施行不同方式的突变增强群体的多样性;利用免疫记忆、Averagelinkage聚类方法,设计外部集和记忆集分别保存非控个体和亲和力较高抗体,所获的记忆细胞参与相似或相同环境初始抗体群的生成;借助三种不同类型的动态多目标优化测试问题,通过与两种最新的动态多目标进化算法及一种动态多目标克隆选择算法比较,数值实验论证了所提出算法在动态跟踪Pareto面的速度和执行效果上较其它算法优越.     

基于模拟退火选择的动态免疫算法及其应用

借鉴人工免疫系统的记忆、动态识别等功能及模拟退火选择理论,提出一种适用于求解动态环境优化问题的动态免疫算法(DIASA),并将其用于高维动态约束背包问题。算法设计包括:(1)抗体的亲和力随群体进化而变化;(2)可行抗体被克隆和动态突变,突变概率与抗体浓度相关,而非可行抗体按价值密度贪婪修正;(3)新环境初始群经环境识别算子按不同方式生成,相似环境初始群由记忆细胞及随机抗体产生。数值实验中,选取著名的动态进化算法(ETGA)和动态免疫遗传算法(ISGA),通过不同难度的高维动态约束背包问题进行仿真比较,结果表明:DIASA较算法ISGA和ETGA对不同问题在各环境内表现较强的优化性能,群体中抗体多样性保持较好,能快速跟踪不同环境的最优值,收敛性强。     

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。     

约束动态免疫算法及对背包问题性能测试研究

借鉴人工免疫系统的记忆、动态识别等功能,提出一种约束动态免疫算法(CDIOA),并用于高维约束动态背包问题的求解。通过随机约束选择策略选择可行及非可行抗体,非可行抗体参与群体的进化;利用抗体修正策略确保进化群中有一定比例可行抗体,提高算法搜索功能;设计环境识别模块判断环境变化与否,建立环境记忆池保存较优秀记忆细胞,记忆细胞参与相似(相同)环境初始群的产生,加速算法在相似环境搜索速度。建立三种不同环境的动态背包问题作为标准测试实例,将CDIOA与已有的四种动态优化算法进行测试比较,结果表明:CDIOA对各测试问题在不同环境表现出较好的收敛性能,在相似环境能快速跟踪最优值。     

自适应免疫算法及其对动态函数优化的跟踪

基于生物免疫系统的自适应学习、记忆、监视等功能,设计适用于高维动态函数优化的自适应免疫算法.算法设计中,利用抗体的学习功能设计抗体动态进化模块;利用基因漂移促成抗体群中非优越抗体重构;利用记忆特性和记忆池动态维持功能,设计由记忆子集合构成的动态记忆池,并经由Average linkage保存优秀的记忆细胞;利用动态监视功能建立环境判别规则和初始抗体群的生成规则.该算法结构简单、灵活,以及在不同环境下寻优时间可以动态调节.数值实验比较显示出其优越性和在执行效率、执行效果中寻求权衡的有效性,并且对复杂的高维动态环境优化问题具有较大应用潜力.     

记忆增强的动态多目标分解进化算法

现实世界中的一些多目标优化问题经常受动态环境影响而不断发生变化,要求优化算法不断地及时跟踪时变的Pareto 最优解集.提出了一种记忆增强的动态多目标分解进化算法.将动态多目标优化问题分解为若干个动态单目标优化子问题并同时优化这些子问题,以便快速逼近Pareto 最优解集.给出了一个改进的环境变化检测算子,以便更好地检测环境变化.设计了一种基于子问题的串式记忆方法,利用过去类似环境下搜索到的最优解来有效地响应新的环境变化.在8 个标准的测试问题上,将新算法与其他3 种记忆增强的动态进化多目标优化算法进行了实验比较.结果表明,新算法比其他3 种算法具有更快的运行速度、更强的记忆能力与鲁棒性能,并且新算法所获得的解集还具有更好的收敛性与分布性.     

多目标约束优化免疫算法研究及其应用

基于生物免疫中抗体应答抗原的机理,提出具有动态性能的多目标约束优化算法,解决一般性的多目标约束最优化问题.该算法的关键在于如何充分模拟免疫应答的机制构建算子模块,以及如何提出约束条件处理和聚类新方法有效解决优化问题.其特点是稳健性及记忆细胞集保存优良抗体并用聚类算法限制其规模,抗体群规模动态调节及抗体应答的对象是抗原群,群体具有自我调节多样性和自适应环境的能力且能并行处理复杂优化问题.仿真事例比较验证该文算法的有效性及能处理高维优化问题.     

求解高维动态背包问题的克隆修复免疫算法

高维动态背包问题(DKP)为一类较难求解的约束优化跟踪问题。为挖掘生物免疫系统的学习、记忆及识别功能,提出一种处理DKP的克隆修复免疫算法(IACR)。将抗体浓度融入亲和力的设计,运用环境识别规则判断当前环境是否相似或相同。通过环境记忆池保存一定量的记忆细胞,这些记忆细胞参与环境初始种群的产生,可用于提高算法的环境跟踪速度。采用贪婪修补策略提高可行抗体比例。测试IACR对不同变化幅率和频率的高维DKP的跟踪能力,并与4种同类算法进行比较。实验结果表明,IACR能更快速地适应环境变化,并具有较小的环境跟踪误差。     

基于自适应免疫遗传算法的智能组卷

对多目标组合优化的组卷问题,借鉴生物免疫系统原理中抗体多样性产生及保持机理,定义多目标选择熵和浓度调节选择概率概念,利用自适应免疫遗传算法,运用抗体克隆、高变异策略,实现组卷问题的多目标优化。该算法充分体现了pareto最优解的概念,具有并行搜索及个体编码长度动态调整、pareto最优个体保存于群体外(免疫记忆)并不断更新等特点。     

目标约束融合的约束多目标免疫算法及性能评价准则

免疫算法求解约束多目标优化问题时,如何设计抗体的亲和力,以及如何保持或提高种群的多样性为算法设计的关键.本文基于免疫系统的固有免疫和自适应免疫交互运行模式,提出目标约束融合的并行约束多目标免疫算法(parallel constrained multiobjective immune algorithm,PCMIOA).利用支配度和浓度设计抗体的亲和力,提出了目标约束融合的评价方法,增强了算法的收敛性.借助基因重组中DNA片段的转移机制,设计一种转移(transformation)算子,提高了种群的多样性.针对已有性能评价准则存在的不足给出一种改进的支配范围评价准则.数值实验选用12个约束二目标和4个非约束三目标测试函数验证PCMIOA的优化性能,并将其与3种著名的约束多目标算法和5种非约束多目标算法进行比较.结果表明:PCMIOA具有较强的优化性能.与其他算法相比,PCMIOA所获的Pareto最优前沿能较好的逼近真实Pareto最优前沿,且分布较均匀.     

基于分解的预测型动态多目标粒子群优化算法

针对动态多目标问题求解,提出一种基于分解的预测型动态多目标粒子群优化算法.首先借助分解思想,将目标问题划分为多个不同的子问题,当问题动态变化时,选择对应于不同子问题的优化个体检测环境变化程度,以提高算法对不同动态问题的适应与响应能力;然后,设计一种群体预测策略,通过将目标空间中相同收敛方向上不同时刻的个体位置转换为时间序列,引入时间序列预测方法预测下一刻位置,从而提高预测种群的多样性和有效性,进而有效减少算法在问题变化后的收敛时间;最后,为避免问题发生变化后个体与子问题不匹配,设计一种再匹配策略,以提高预测策略的准确性.实验结果表明,在6个标准动态多目标测试问题上,与2个动态多目标优化算法进行比较,所提出算法在收敛性、分布性与稳定性上均具有显著优势.     

A preference multi-objective optimization based on adaptive rank clone and differential evolution

Evolutionary multi-objective optimization (EMO) algorithms have been used in various real-world applications. However, most of the Pareto domination based multi-objective optimization evolutionary algorithms are not suitable for many-objective optimization. Recently, EMO algorithm incorporated decision maker’s preferences became a new trend for solving many-objective problems and showed a good performance. In this paper, we first use a new selection scheme and an adaptive rank based clone scheme to exploit the dynamic information of the online antibody population. Moreover, a special differential evolution (DE) scheme is combined with directional information by selecting parents for the DE calculation according to the ranks of individuals within a population. So the dominated solutions can learn the information of the non-dominated ones by using directional information. The proposed method has been extensively compared with two-archive algorithm, light beam search non-dominated sorting genetic algorithm II and preference rank immune memory clone selection algorithm over several benchmark multi-objective optimization problems with from two to ten objectives. The experimental results indicate that the proposed algorithm achieves competitive results.     

Multi-objective immune algorithm with Baldwinian learning

By replacing the selection component, a well researched evolutionary algorithm for scalar optimization problems (SOPs) can be directly used to solve multi-objective optimization problems (MOPs). Therefore, in most of existing multi-objective evolutionary algorithms (MOEAs), selection and diversity maintenance have attracted a lot of research effort. However, conventional reproduction operators designed for SOPs might not be suitable for MOPs due to the different optima structures between them. At present, few works have been done to improve the searching efficiency of MOEAs according to the characteristic of MOPs. Based on the regularity of continues MOPs, a Baldwinian learning strategy is designed for improving the nondominated neighbor immune algorithm and a multi-objective immune algorithm with Baldwinian learning (MIAB) is proposed in this study. The Baldwinian learning strategy extracts the evolving environment of current population by building a probability distribution model and generates a predictive improving direction by combining the environment information and the evolving history of the parent individual. Experimental results based on ten representative benchmark problems indicate that, MIAB outperforms the original immune algorithm, it performs better or similarly the other two outstanding approached NSGAII and MOEA/D in solution quality on most of the eight testing MOPs. The efficiency of the proposed Baldwinian learning strategy has also been experimentally investigated in this work.     

一类带约束动态多目标优化问题的进化算法

动态多目标约束优化问题是一类NP-Hard问题,定义了动态环境下进化种群中个体的序值和个体的约束度,结合这两个定义给出了一种选择算子.在一种环境变化判断算子下给出了求解环境变量取值于正整数集Z+的一类带约束动态多目标优化问题的进化算法.通过几个典型的Benchmark函数对算法的性能进行了测试,其结果表明新算法能够较好地求出带约束动态多目标优化问题在不同环境下质量较好、分布较均匀的Pareto最优解集.     

Artificial immune system in dynamic environments solving time-varying non-linear constrained multi-objective problems

A bio-inspired artificial immune system is developed to track dynamically the Pareto fronts of time-varying constrained multi-objective problems with changing variable dimensions. It executes in order T-module, B-module, and M-module within a run period. The first module is designed to examine dynamically whether the environment changes or whether a change takes place in the optimization problem, while creating an initial population by means of the history information. Thereafter, the second one is a loop of optimization that searches for the desired non-dominated front of a given environment, in which the evolving population is sorted into several subpopulations. Each of such subpopulations, relying upon the population diversity, suppresses its redundant individuals and evolves the winners. The last one stores temporarily the resultant non-dominated solutions of the environment that assist T-module to create some initial candidates helpful for the coming environment. These dynamic characteristics, along with the comparative experiments guarantee that the artificial immune system can track adaptively the time-varying environment and maintain the diversity of population while being of potential use for complex dynamic constrained multi-objective problems.     

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。     

一种基于多样性度量的多目标化进化算法

针对如何通过附加的方法对多目标化问题进行理论分析,提出并证明了选择附加函数的3个前提条件.提出一种多目标化进化算法,根据种群中个体的多样性度量进行多目标化,并采用改进的非劣分类遗传算法对构造所得的多目标优化问题进行多目标优化.在静态和动态两种环境下进行算法性能验证,结果表明,在种群多样性保持、处理欺骗问题、动态环境下的适应能力等方面,所提算法明显优于其他同类算法.     

基于决策变量关系的动态多目标优化算法

动态多目标优化问题(DMOPs)需要进化算法跟踪不断变化的Pareto最优前沿,从而在检测到环境变化时能够及时有效地做出响应.为了解决上述问题,提出一种基于决策变量关系的动态多目标优化算法.首先,通过决策变量对收敛性和多样性贡献大小的检测机制将决策变量分为收敛性相关决策变量(CV)和多样性相关决策变量(DV),对不同类型决策变量采用不同的优化策略;其次,提出一种局部搜索多样性维护机制,使个体在Pareto前沿分布更加均匀;最后,对两部分产生的组合个体进行非支配排序构成新环境下的种群.为了验证DVR的性能,将DVR与3种动态多目标优化算法在15个基准测试问题上进行比较,实验结果表明, DVR算法相较于其他3种算法表现出更优的收敛性和多样性.