一种改进的多目标免疫遗传算法的研究
一种改进的多目标免疫遗传算法的研究[20200121204143]
摘要
遗传算法抽象于生物体的进化过程，通过全面模拟自然选择和遗传机制，形成一种具有“生成+检验”特征的搜索算法。相比于传统的优化算法，遗传算法是搜索最优解，能够较好、较快的得到最优解，研究和利用遗传算法在问题的优化方面有着重要意义。但由于自然进化和生命现象的“测不准”性，遗传算法不可避免的存在概率算法的缺陷，容易造成早熟收敛。而人工免疫算法中的抗体浓度用于表征解群体的多样性，记忆细胞可以有效的阻止算法进入早熟收敛，提出了免疫遗传算法。但是传统的免疫遗传算法在处理多目标问题方面还没有太多的研究。
本文就是把人工免疫算法具有的免疫、记忆的功能与遗传算法相结合，加入pareto解集求优，从而提出的一种改进的多目标优化的免疫遗传算法。本文主要通过降低抗体浓度跟增大适应度两个方面来加入人工免疫，这种算法既保证了种群的多样性，而且能避免遗传算法的早熟收敛，能够较好的得到最优解，提高了算法收敛的速度。通过与遗传算法与加入pareto的遗传算法的对比，发现算法是可行有效的，并且能达到优化的目的。
*查看完整论文请+Q: 351916072
关键字:多目标优化遗传算法pareto解集免疫遗传算法
目录
第一章 绪论 1
1.1 免疫遗传算法的多目标优化方法的发展及研究现状 1
1.1.1 遗传算法的发展及研究现状 1
1.1.2免疫遗传算法的发展及现状 1
1.1.3 多目标优化方法的发展和研究现状 2
1.2 研究的背景和意义 3
1.3 本文研究的主要内容 3
第二章 免疫遗传算法的原理和方法 5
2.1 遗传算法的概述 5
2.1.1 遗传算法的运算流程 5
2.2 遗传算法的特点 6
2.2.1 遗传算法的优点 6
2.2.2 遗传算法的不足之处 7
2.3 免疫遗传算法概述 7
2.3.1免疫学生物原理 7
2.3.2人工免疫算法 8
2.3.3免疫遗传算法原理 9
2.3.3 免疫遗传算法的流程和特点 9
2.3.4免疫遗传算法和遗传算法的对比 10
2.4 小结 11
第三章 改进的多目标免疫遗传算法 12
3.1 引言 12
3.2 多目标优化 12
3.2.1 多目标优化的原理 12
3.2.1 pareto解集求优的原理 12
3.2.2 pareto解集求优结合到算法中 13
3.3改进的多目标免疫遗传算法 15
3.3.1 改进的算法的基本思想 15
3.3.2 改进的算法的提出和具体步骤 16
3.3.3 改进前后的比较 19
3.4 小结 20
第四章 改进的免疫遗传算法的性能的分析 21
4.1 对目标函数进行测试 21
4.2 改进的算法的收敛性的分析 23
4.2.1 马尔可夫链介绍 23
4.2.2 收敛性的分析 24
4.3 小结 27
第五章 问题的结论与展望 29
5.1 问题的结论 29
5.2 展望 29
参考文献 30
致谢 32
第一章 绪论
1.1 免疫遗传算法的多目标优化方法的发展及研究现状
进化算法是一种常见的且热门的搜索算法，它具有“生成+检验”的迭代过程，被广泛的应用，是一种模拟生物进化过程的智能算法。这种算法起源于达尔文的进化论，其中最著名的就是遗传算法和免疫优化计算。
1.1.1 遗传算法的发展及研究现状
由于对生物系统的不断研究，从而产生了遗传算法。早在20世纪50年代初，就有学者开始研究生物学的模拟技术，他们通过计算机的模拟技术研究了生物的进化过程和生物遗传方式。但真正的起源来自于Holland教授，1965年，他首次提出了人工智能操作，阐述了它的重要性，运用到自然系统和人工系统中。到了1967年，J. D. Bagley把遗传算法思想用于计算机数值优化计算实验中。到了80年代，K. A. De Song对前人的研究进行了大量的总结，并经过大量的研究，提出了遗传算法的基本的框架，这一提出对遗传算法的研究有着重要的意义。从此之后，遗传算法有了前所未有的发展，并延续至今。
随着研究的不断深入，对前人的研究的算法的不断总结与实验，遗传算法应用到了各个领域。遗传算法在处理复杂优化问题的时候相对而言优于一般的优化算法，所以被广泛应用于遗传编程、组合优化、自动控制、机器学习等领域。在处理各种常见背包，商旅问题时；在处理手写体汉字识别系统的优化问题时；在数据开发的编程时都应用了遗传算法。根据前人的研究乔建忠在求解生产规划模型中的维数灾、局部解等问题时，提出并设计了一种单纯形法和GA(Genetic Algorithm)相结合优化方法。
之后，科研人员对遗传算法进行了进一步的研究，使得遗传算法的应用面更加广泛，效果更好，主要有以下几方面：
1．文献[16，17-20]中提出了一种混合遗传算法；
2．文献[21，22]提出了一种遗传与优化结合的方法；
3．文献[23]提出了一种新型遗传算法用于并行研究；
4．接下来提出了一种共存演化遗传算法。
1.1.2免疫遗传算法的发展及现状
虽然遗传算法要优于其他优化算法。但是随着不断的研究发现，再加上很多工业实践表明，遗传算法在应用中有着很多缺陷，例如在处理某些优化问题的时候遗传算法会存在着早熟现象，容易陷入局部收敛，不能进行全局搜索，得到最优的解。经过各方面人员的研究，将生物中的免疫这个概念加入到现代的工业中去，研究人工免疫优化，借助于跟人工免疫有关的知识理论，将其与遗传算法结合起来，提出免疫遗传算法，在提高整体性能上有着重要的意义。
在国内，中国的科研人员也对免疫遗传算法做了研究，并且证明了算法的收敛性，并应用于目标函数—TSP问题的优化求解，填补了国内的空缺。由于上列研究的出现，之后免疫遗传算法在国内的研究不断深入。2003年，文献[29]通过对人工免疫的研究，提出了一种比较实用的免疫遗传算法（IGA）。2005年，文献[30]通过对免疫算子的研究，研究出了免疫遗传算法的收敛性，并对算法的收敛速度进行了估计。文献[31]加入免疫算子的功能，提出了自适应的免疫遗传算法。文献[32]提出了一种改进的免疫遗传算法，基于相似矢量距为选择的IGA。2007年，文献[33]提出了基于免疫的并行单亲遗传算法，并加以应用。到了2008年，文[34]在前人研究的基础上，提出了一种免疫遗传算法，利用的是群划分与杂交。在国外，最早在遗传算法中加入人工免疫的是美国的A. Perelson和S．Forrest. Chun等基于免疫网络理论和体细胞理论提出了一种免疫算法。在文献 [35]中Tazawa等提出了一种遗传算法与人工免疫系统结合的免疫遗传算法。文献[36]中Gao等提出一种新的选择算子，主要是利用免疫算子。文献[37]中Kazuyuki等提出了免疫优化算法，其目的是用来解决自适应的问题。
1.1.3 多目标优化方法的发展和研究现状
多目标优化方法要追溯到18世纪，但是真正得以发展是19世纪70年代末。从此以后多目标问题迅速发展，一直是研究的热点问题，已然成为一门新兴的学科。随着研究的不断深入，多目标优化问题的应用领域不断变大，从一般的数学、生产分配问题到人工智能、计算科学方面再到现在的过程控制和航天航空领域。多目标优化问题都用一个共同的特点，就是许多类似的问题在某种约束条件之下，能够使得多个问题同时达到最优解。但是寻找到这种约束条件是有一定的难度的，但是多目标优化问题又到处存在，所以多目标优化问题一直都是研究的热点。
国外的科研人员率先提出了解决这些问题的方法，最早是由Fanklin在1772年提出的多目标问题如何调节，到了1896年，著名的意大利经济学家Pareto引入了pareto最优解这个概念，并且至今都在利用这个方法求解最优解。1951年，受到Pareto的启发，T．C．Koopmans也利用到了pareto最优解，并且应用到了生产、分配中去。从此之后，多目标优化和pareto最优解一直受到人们的关注。
摘要
遗传算法抽象于生物体的进化过程，通过全面模拟自然选择和遗传机制，形成一种具有“生成+检验”特征的搜索算法。相比于传统的优化算法，遗传算法是搜索最优解，能够较好、较快的得到最优解，研究和利用遗传算法在问题的优化方面有着重要意义。但由于自然进化和生命现象的“测不准”性，遗传算法不可避免的存在概率算法的缺陷，容易造成早熟收敛。而人工免疫算法中的抗体浓度用于表征解群体的多样性，记忆细胞可以有效的阻止算法进入早熟收敛，提出了免疫遗传算法。但是传统的免疫遗传算法在处理多目标问题方面还没有太多的研究。
本文就是把人工免疫算法具有的免疫、记忆的功能与遗传算法相结合，加入pareto解集求优，从而提出的一种改进的多目标优化的免疫遗传算法。本文主要通过降低抗体浓度跟增大适应度两个方面来加入人工免疫，这种算法既保证了种群的多样性，而且能避免遗传算法的早熟收敛，能够较好的得到最优解，提高了算法收敛的速度。通过与遗传算法与加入pareto的遗传算法的对比，发现算法是可行有效的，并且能达到优化的目的。
*查看完整论文请+Q: 351916072
关键字:多目标优化遗传算法pareto解集免疫遗传算法
目录
第一章 绪论 1
1.1 免疫遗传算法的多目标优化方法的发展及研究现状 1
1.1.1 遗传算法的发展及研究现状 1
1.1.2免疫遗传算法的发展及现状 1
1.1.3 多目标优化方法的发展和研究现状 2
1.2 研究的背景和意义 3
1.3 本文研究的主要内容 3
第二章 免疫遗传算法的原理和方法 5
2.1 遗传算法的概述 5
2.1.1 遗传算法的运算流程 5
2.2 遗传算法的特点 6
2.2.1 遗传算法的优点 6
2.2.2 遗传算法的不足之处 7
2.3 免疫遗传算法概述 7
2.3.1免疫学生物原理 7
2.3.2人工免疫算法 8
2.3.3免疫遗传算法原理 9
2.3.3 免疫遗传算法的流程和特点 9
2.3.4免疫遗传算法和遗传算法的对比 10
2.4 小结 11
第三章 改进的多目标免疫遗传算法 12
3.1 引言 12
3.2 多目标优化 12
3.2.1 多目标优化的原理 12
3.2.1 pareto解集求优的原理 12
3.2.2 pareto解集求优结合到算法中 13
3.3改进的多目标免疫遗传算法 15
3.3.1 改进的算法的基本思想 15
3.3.2 改进的算法的提出和具体步骤 16
3.3.3 改进前后的比较 19
3.4 小结 20
第四章 改进的免疫遗传算法的性能的分析 21
4.1 对目标函数进行测试 21
4.2 改进的算法的收敛性的分析 23
4.2.1 马尔可夫链介绍 23
4.2.2 收敛性的分析 24
4.3 小结 27
第五章 问题的结论与展望 29
5.1 问题的结论 29
5.2 展望 29
参考文献 30
致谢 32
第一章 绪论
1.1 免疫遗传算法的多目标优化方法的发展及研究现状
进化算法是一种常见的且热门的搜索算法，它具有“生成+检验”的迭代过程，被广泛的应用，是一种模拟生物进化过程的智能算法。这种算法起源于达尔文的进化论，其中最著名的就是遗传算法和免疫优化计算。
1.1.1 遗传算法的发展及研究现状
由于对生物系统的不断研究，从而产生了遗传算法。早在20世纪50年代初，就有学者开始研究生物学的模拟技术，他们通过计算机的模拟技术研究了生物的进化过程和生物遗传方式。但真正的起源来自于Holland教授，1965年，他首次提出了人工智能操作，阐述了它的重要性，运用到自然系统和人工系统中。到了1967年，J. D. Bagley把遗传算法思想用于计算机数值优化计算实验中。到了80年代，K. A. De Song对前人的研究进行了大量的总结，并经过大量的研究，提出了遗传算法的基本的框架，这一提出对遗传算法的研究有着重要的意义。从此之后，遗传算法有了前所未有的发展，并延续至今。
随着研究的不断深入，对前人的研究的算法的不断总结与实验，遗传算法应用到了各个领域。遗传算法在处理复杂优化问题的时候相对而言优于一般的优化算法，所以被广泛应用于遗传编程、组合优化、自动控制、机器学习等领域。在处理各种常见背包，商旅问题时；在处理手写体汉字识别系统的优化问题时；在数据开发的编程时都应用了遗传算法。根据前人的研究乔建忠在求解生产规划模型中的维数灾、局部解等问题时，提出并设计了一种单纯形法和GA(Genetic Algorithm)相结合优化方法。
之后，科研人员对遗传算法进行了进一步的研究，使得遗传算法的应用面更加广泛，效果更好，主要有以下几方面：
1．文献[16，17-20]中提出了一种混合遗传算法；
2．文献[21，22]提出了一种遗传与优化结合的方法；
3．文献[23]提出了一种新型遗传算法用于并行研究；
4．接下来提出了一种共存演化遗传算法。
1.1.2免疫遗传算法的发展及现状
虽然遗传算法要优于其他优化算法。但是随着不断的研究发现，再加上很多工业实践表明，遗传算法在应用中有着很多缺陷，例如在处理某些优化问题的时候遗传算法会存在着早熟现象，容易陷入局部收敛，不能进行全局搜索，得到最优的解。经过各方面人员的研究，将生物中的免疫这个概念加入到现代的工业中去，研究人工免疫优化，借助于跟人工免疫有关的知识理论，将其与遗传算法结合起来，提出免疫遗传算法，在提高整体性能上有着重要的意义。
在国内，中国的科研人员也对免疫遗传算法做了研究，并且证明了算法的收敛性，并应用于目标函数—TSP问题的优化求解，填补了国内的空缺。由于上列研究的出现，之后免疫遗传算法在国内的研究不断深入。2003年，文献[29]通过对人工免疫的研究，提出了一种比较实用的免疫遗传算法（IGA）。2005年，文献[30]通过对免疫算子的研究，研究出了免疫遗传算法的收敛性，并对算法的收敛速度进行了估计。文献[31]加入免疫算子的功能，提出了自适应的免疫遗传算法。文献[32]提出了一种改进的免疫遗传算法，基于相似矢量距为选择的IGA。2007年，文献[33]提出了基于免疫的并行单亲遗传算法，并加以应用。到了2008年，文[34]在前人研究的基础上，提出了一种免疫遗传算法，利用的是群划分与杂交。在国外，最早在遗传算法中加入人工免疫的是美国的A. Perelson和S．Forrest. Chun等基于免疫网络理论和体细胞理论提出了一种免疫算法。在文献 [35]中Tazawa等提出了一种遗传算法与人工免疫系统结合的免疫遗传算法。文献[36]中Gao等提出一种新的选择算子，主要是利用免疫算子。文献[37]中Kazuyuki等提出了免疫优化算法，其目的是用来解决自适应的问题。
1.1.3 多目标优化方法的发展和研究现状
多目标优化方法要追溯到18世纪，但是真正得以发展是19世纪70年代末。从此以后多目标问题迅速发展，一直是研究的热点问题，已然成为一门新兴的学科。随着研究的不断深入，多目标优化问题的应用领域不断变大，从一般的数学、生产分配问题到人工智能、计算科学方面再到现在的过程控制和航天航空领域。多目标优化问题都用一个共同的特点，就是许多类似的问题在某种约束条件之下，能够使得多个问题同时达到最优解。但是寻找到这种约束条件是有一定的难度的，但是多目标优化问题又到处存在，所以多目标优化问题一直都是研究的热点。
国外的科研人员率先提出了解决这些问题的方法，最早是由Fanklin在1772年提出的多目标问题如何调节，到了1896年，著名的意大利经济学家Pareto引入了pareto最优解这个概念，并且至今都在利用这个方法求解最优解。1951年，受到Pareto的启发，T．C．Koopmans也利用到了pareto最优解，并且应用到了生产、分配中去。从此之后，多目标优化和pareto最优解一直受到人们的关注。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4787.html
