免疫克隆算法求解动态多目标优化问题

被引：32

作者：

尚荣华

焦李成

公茂果

马文萍

机构：

[1] 西安电子科技大学智能信息处理研究所

[2] 西安电子科技大学智能信息处理研究所陕西

来源：

软件学报 | 2007年 / 11期

关键词：

人工免疫系统; Pareto-前沿面; 动态多目标优化; 性能指标;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

求解动态多目标优化(dynamic multi-objective optimization,简称DMO)问题的主要困难在于目标函数、约束条件或者相关的问题参数是随时间不断变化的.基于免疫克隆选择学说,提出一种用于解决DMO问题的新算法——动态多目标免疫克隆优化(immune clonal algorithm for DMO,简称ICADMO).该算法改进了现有的克隆策略,采用整体克隆的方式;在选择策略上,根据Pareto-占优的概念,将抗体群中的个体分为支配个体和非支配个体,对非支配个体进行选择.采用3个特色算子,使其很好地保持了所得解的多样性、均匀性和收敛性.通过数值实验,与DBM(direction-based method)算法进行比较,结果表明,新算法在收敛性、多样性以及解分布的广度方面都体现了很好的性能.

引用

页码：2700 / 2711

页数：12

共 5 条

[1] 参数可调的克隆多播路由算法 [J].

刘芳 ;

杨海潮 .

软件学报, 2005, (01) :145-150

[2]

免疫优化计算、学习与识别[M]. - 科学出版社 , 焦李成[等]著, 2006

[3]

Optimal approximation of linear systems by artificial immune response[J] . Maoguo Gong,Haifeng Du,Licheng Jiao.Science in China Series F . 2006 (1)

[4]

Learning and Optimization Using the Clonal Selection Principle .2 L N de Casto,F J Von Zuben. IEEE Trans on Evolutionary Computation . 2002

[5]

Dynamic multi-objective optimization problems:Test cases,approximations,and applications .2 Farina M,Deb K,Amato P. IEEE Trans,on Evolutionary Computation . 2004

← 1 →