多目標優(yōu)化免疫算法、理論和應(yīng)用

前言

最優(yōu)化問題是工程實踐和科學(xué)研究中主要的問題之一，其中，僅有一個目標函數(shù)的最優(yōu)化問題被稱為單目標優(yōu)化問題，目標函數(shù)超過一個并且需要同時處理的最優(yōu)化問題被稱為多目標優(yōu)化問題（multi-objectivc optimization problems，MOP）。多目標優(yōu)化問題起源于許多實際復(fù)雜系統(tǒng)的設(shè)計、建模和規(guī)劃問題，這些系統(tǒng)所在的領(lǐng)域包括工業(yè)制造、城市運輸、資本預(yù)算、能量分配、城市布局等，很多重要的現(xiàn)實生活中的決策問題都存在多目標優(yōu)化問題。對于多目標優(yōu)化問題，一個解可能對于某個目標來說是較好的，而對于其他目標則可能是較差的，因此，存在一個折中解的集合，被稱為Pareto最優(yōu)解集（Pareto-optimal set）或非支配解集（nondominated set）。起初，多目標優(yōu)化問題往往通過加權(quán)等方式轉(zhuǎn)化為單目標問題，然后用數(shù)學(xué)規(guī)劃的方法來求解，每次只能得到一種權(quán)值情況下的最優(yōu)解。同時，由于多目標優(yōu)化問題的目標函數(shù)和約束函數(shù)可能是非線性、不可微或不連續(xù)的，傳統(tǒng)的數(shù)學(xué)規(guī)劃方法往往效率較低，且它們對于權(quán)重值或目標給定的次序較敏感。20世紀80年代中期，進化算法作為一類啟發(fā)式搜索算法，已被成功應(yīng)用于多目標優(yōu)化領(lǐng)域，發(fā)展成為一個相對較熱的研究方向——進化多目標優(yōu)化（evolu －tionary multi-objectivc optimization，EMO ）。

內(nèi)容概要

　　本書在全面總結(jié)國內(nèi)外多目標優(yōu)化及人工免疫系統(tǒng)發(fā)展現(xiàn)狀的基礎(chǔ)上，著重介紹作者在基于人工免疫系統(tǒng)的多目標優(yōu)化這一領(lǐng)域的研究成果，主要包括：免疫克隆選擇多目標優(yōu)化算法及其在多目標0／1背包問題、約束優(yōu)化問題、動態(tài)多目標優(yōu)化問題及多目標聚類中的應(yīng)用，用于求解約束多目標優(yōu)化的免疫記憶克隆算法，求解多目標優(yōu)化的非支配近鄰免疫算法，求解偏好多目標優(yōu)化的偏好等級免疫記憶克隆選擇算法，基于多智能體的多目標社會協(xié)同進化算法，量子免疫克隆多目標優(yōu)化算法，并針對不同問題提出了多種新的算法和實現(xiàn)策略?！　　抖嗄繕藘?yōu)化免疫算法、理論和應(yīng)用》可為計算機科學(xué)、信息科學(xué)、人工智能、自動化技術(shù)等領(lǐng)域從事人工免疫系統(tǒng)或多目標優(yōu)化研究的相關(guān)專業(yè)技術(shù)人員提供參考，也可作為相關(guān)專業(yè)研究生和高年級本科生教材。

書籍目錄

《智能科學(xué)技術(shù)著作叢書》序前言第1章 多目標優(yōu)化研究進展1.1 多目標優(yōu)化問題1.2 多目標優(yōu)化問題的數(shù)學(xué)模型1.3 多目標優(yōu)化算法1.3.1 古典的多目標優(yōu)化方法1.3.2 基于進化算法的多目標優(yōu)化方法1.3.3 基于粒子群的多目標優(yōu)化方法1.3.4 基于協(xié)同進化的多目標優(yōu)化方法1.3.5 基于人工免疫系統(tǒng)的多目標優(yōu)化方法1.3.6 基于分布估計的多目標優(yōu)化方法1.4 多目標優(yōu)化的研究趨勢1.4.1 新型占優(yōu)機制研究1.4.2 高維多目標優(yōu)化的研究1.4.3 動態(tài)多目標優(yōu)化的研究1.4.4 多目標優(yōu)化測試問題研究1.5 多目標優(yōu)化算法的設(shè)計目標參考文獻第2章 人工免疫系統(tǒng)基礎(chǔ)2.1 進化計算的基礎(chǔ)2.1.1 進化計算的生物學(xué)基礎(chǔ)2.1.2 進化算法的一般框架及特點2.1.3 進化算法的主要分支2.1.4 進化算法研究進展2.2 生物免疫系統(tǒng)2.2.1 生物免疫學(xué)和免疫的基本概念2.2.2 免疫分類2.2.3 免疫系統(tǒng)及其功能2.3 生物免疫系統(tǒng)的兩個重要學(xué)說2.3.1 克隆選擇學(xué)說2.3.2 免疫網(wǎng)絡(luò)學(xué)說2.4 人工免疫系統(tǒng)2.4.1 人工免疫系統(tǒng)研究歷史和現(xiàn)狀2.4.2 人工免疫系統(tǒng)模型2.4.3 人工免疫系統(tǒng)算法參考文獻第3章 多目標優(yōu)化算法的收斂性及性能度量3.1 多目標優(yōu)化算法的收斂性3.1.1 概述3.1.2 全局收斂性的特征3.1.3 Pareto-最優(yōu)解集的特征3.1.4 多目優(yōu)化算法的收斂性3.2 多目標優(yōu)化算法的性能度量3.2.1 概述3.2.2 常見的性能度量方法3.2.3 改進的性能度量方法3.3 本章小結(jié)參考文獻第4章 免疫克隆選擇多目標優(yōu)化算法4.1 引言4.2 算法設(shè)計與實現(xiàn)4.2.1 算法流程圖4.2.2 初始化4.2.3 免疫克隆操作4.2.4 免疫基因操作4.2.5 克隆選擇操作4.2.6 抗體群更新操作4.2.7 NICA用于求解多目標優(yōu)化問題4.3 算法的復(fù)雜度分析4.4 算法的性能度量指標4.5 仿真結(jié)果及其分析4.5.1 測試問題4.5.2 算法的參數(shù)選擇和分析4.5.3 仿真結(jié)果分析4.6 本章小結(jié)參考文獻第5章 免疫克隆多目標優(yōu)化算法求解約束優(yōu)化問題5.1 引言5.2 問題定義5.3 約束處理技術(shù)5.3.1 已有的約束處理技術(shù)5.3.2 本章使用的約束處理方法5.4 算法設(shè)計與實現(xiàn)5.4.1 免疫和克隆選擇5.4.2 克隆操作5.4.3 免疫基因操作5.4.4 求解約束優(yōu)化問題的免疫克隆多目標優(yōu)化算法5.5 算法的收斂性分析5.6 算法的復(fù)雜度分析5.7 實驗結(jié)果與分析5.7.1 測試問題5.7.2 測試結(jié)果及性能分析5.8 本章小結(jié)參考文獻第6章 免疫記憶克隆算法用于求解約束多目標優(yōu)化問題6.1 引言6.2 約束多目標優(yōu)化問題的數(shù)學(xué)模型6.3 用于約束多目標優(yōu)化的免疫記憶克隆算法6.3.1 約束條件的處理方法6.3.2 免疫記憶克隆6.3.3 免疫克隆重組操作6.3.4 免疫克隆變異操作6.3.5 免疫記憶克隆約束多目標優(yōu)化6.4 算法的特點分析6.5 算法的復(fù)雜度分析6.6 性能度量指標6.7 實驗結(jié)果與分析6.7.1 測試問題6.7.2 算法的參數(shù)選擇和分析6.7.3 測試結(jié)果及性能分析6.8 本章小結(jié)參考文獻第7章 免疫克隆算法求解動態(tài)多目標優(yōu)化問題7.1 引言7.2 動態(tài)多目標優(yōu)化問題7.3 算法設(shè)計與實現(xiàn)7.3.1 免疫克隆選擇算子7.3.2 非一致性變異算子7.3.3 抗體群更新算子7.3.4 動態(tài)多目標免疫克隆優(yōu)化算法7.4 算法的性能分析7.5 算法的復(fù)雜度分析7.6 實驗結(jié)果與分析7.6.1 收斂測度7.6.2 測試問題7.6.3 測試結(jié)果及性能分析7.7 本章小結(jié)參考文獻第8章 基于免疫優(yōu)勢克隆選擇的多目標組合優(yōu)化8.1 引言8.2 典型多目標優(yōu)化問題的數(shù)學(xué)模型8.3 用于多目標組合優(yōu)化問題的免疫優(yōu)勢克隆選擇算法8.3.1 基本定義8.3.2 免疫優(yōu)勢獲得操作8.3.3 免疫優(yōu)勢克隆操作8.3.4 免疫優(yōu)勢選擇操作8.3.5 免疫優(yōu)勢克隆選擇算法8.4 算法機理分析8.4.1 算法的機理8.4.2 算法的復(fù)雜度分析8.5 性能評價指標8.6 IDCMA求解背包問題8.6.1 多目標0／1背包問題的數(shù)學(xué)模型8.6.2 約束處理……第9章 基于免疫克隆優(yōu)化的多目標聚類第10章 求解多目標化的非支配近鄰免疫算法第11章 求解偏好多目標優(yōu)化的偏好等級免疫記憶克隆選擇算法第12章 多目標優(yōu)化問題的多智能體社會進化算法第13章 量子免疫克隆多目標優(yōu)化算法參考文獻

章節(jié)摘錄

插圖：進化多目標優(yōu)化在進化計算領(lǐng)域是一個非常熱門的研究方向。下面將按照Coello Coello的總結(jié)方式來討論進化多目標優(yōu)化領(lǐng)域的一些主要算法。1）第一代進化多目標優(yōu)化算法第一代進化多目標優(yōu)化算法以Goldberg的建議為萌芽。1989年，Goldberg建議用非支配排序和小生境技術(shù)來解決多目標優(yōu)化問題。非支配排序的過程為：對當前種群中的非支配個體分配等級 1并將其從競爭中移去；然后從當前種群中選出非支配個體，并對其分配等級2，該過程持續(xù)到種群中所有個體都分配到次序后結(jié)束。小生境技術(shù)用來保持種群多樣性，防止早熟。Goldberg雖然沒有把他的思想具體實施到進化多目標優(yōu)化中，但是其思想對以后的學(xué)者來說，具有啟發(fā)意義。（1）MOGA。Fonseca和Fleming在1993年提出了MOGA。該方法對每個個體劃分等級（rank），所有非支配個體的等級定義為1，其他個體的等級為支配它的個體數(shù)目加1。具有相同等級的個體用適應(yīng)度共享機制進行選擇。其適應(yīng)度分配方式按如下方式執(zhí)行：首先，種群按照等級排序；然后，對所有個體分配適應(yīng)度，方法是用Goldberg提出的線性或非線性插值的方法來分配，具有相同等級個體的適應(yīng)度值是一樣的。通過適應(yīng)度共享機制采用隨機采樣進行選擇。MOGA過于依賴共享函數(shù)的選擇，而且可能產(chǎn)生較大的選擇壓力，從而導(dǎo)致未成熟收斂。

編輯推薦

《多目標優(yōu)化免疫算法、理論和應(yīng)用》特點：在多目標優(yōu)化領(lǐng)域，人工免疫系統(tǒng)算法已經(jīng)表現(xiàn)出比進化算法更優(yōu)異的特性，如在提高收斂速度的同時，較好地保持了種群的多樣性，《多目標優(yōu)化免疫算法、理論和應(yīng)用》著重介紹了作者在基于人工免疫系統(tǒng)的多目標優(yōu)化這一領(lǐng)域的研完成果，主要包括：免疫克隆選擇多目標優(yōu)化算法、免疫記憶克隆算法、非支配近鄰免疫算法、偏好等級免疫記憶克隆選擇算法、多目標社會協(xié)同進化算法以及量子免疫克隆多目標優(yōu)化算法，并針對不同問題提出了多種新的算法和實現(xiàn)策略。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    多目標優(yōu)化免疫算法、理論和應(yīng)用 PDF格式下載

---