多目標優化免疫算法、理論和應用

所属分类:人工智能  
出版时间:2010-1   出版时间:尚榮華、馬文萍、公茂果、 等 科學出版社 (2010-01出版)   作者:焦李成 等 著   页数:305  

前言

最优化问题是工程实践和科学研究中主要的问题之一,其中,仅有一个目标函数的最优化问题被称为单目标优化问题,目标函数超过一个并且需要同时处理的最优化问题被称为多目标优化问题(multi-objectivc optimization problems,MOP)。多目标优化问题起源于许多实际复杂系统的设计、建模和规划问题,这些系统所在的领域包括工业制造、城市运输、资本预算、能量分配、城市布局等,很多重要的现实生活中的决策问题都存在多目标优化问题。对于多目标优化问题,一个解可能对于某个目标来说是较好的,而对于其他目标则可能是较差的,因此,存在一个折中解的集合,被称为Pareto最优解集(Pareto-optimal set)或非支配解集(nondominated set)。起初,多目标优化问题往往通过加权等方式转化为单目标问题,然后用数学规划的方法来求解,每次只能得到一种权值情况下的最优解。同时,由于多目标优化问题的目标函数和约束函数可能是非线性、不可微或不连续的,传统的数学规划方法往往效率较低,且它们对于权重值或目标给定的次序较敏感。20世纪80年代中期,进化算法作为一类启发式搜索算法,已被成功应用于多目标优化领域,发展成为一个相对较热的研究方向——进化多目标优化(evolu -tionary multi-objectivc optimization,EMO )。

内容概要

  本書在全面總結國內外多目標優化及人工免疫系統發展現狀的基礎上,著重介紹作者在基于人工免疫系統的多目標優化這一領域的研究成果,主要包括︰免疫克隆選擇多目標優化算法及其在多目標01背包問題、約束優化問題、動態多目標優化問題及多目標聚類中的應用,用于求解約束多目標優化的免疫記憶克隆算法,求解多目標優化的非支配近鄰免疫算法,求解偏好多目標優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同進化算法,量子免疫克隆多目標優化算法,並針對不同問題提出了多種新的算法和實現策略。  《多目標優化免疫算法、理論和應用》可為計算機科學、信息科學、人工智能、自動化技術等領域從事人工免疫系統或多目標優化研究的相關專業技術人員提供參考,也可作為相關專業研究生和高年級本科生教材。

书籍目录

《智能科學技術著作叢書》序前言第1章 多目標優化研究進展1.1 多目標優化問題1.2 多目標優化問題的數學模型1.3 多目標優化算法1.3.1 古典的多目標優化方法1.3.2 基于進化算法的多目標優化方法1.3.3 基于粒子群的多目標優化方法1.3.4 基于協同進化的多目標優化方法1.3.5 基于人工免疫系統的多目標優化方法1.3.6 基于分布估計的多目標優化方法1.4 多目標優化的研究趨勢1.4.1 新型佔優機制研究1.4.2 高維多目標優化的研究1.4.3 動態多目標優化的研究1.4.4 多目標優化測試問題研究1.5 多目標優化算法的設計目標參考文獻第2章 人工免疫系統基礎2.1 進化計算的基礎2.1.1 進化計算的生物學基礎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2.2.1 生物免疫學和免疫的基本概念2.2.2 免疫分類2.2.3 免疫系統及其功能2.3 生物免疫系統的兩個重要學說2.3.1 克隆選擇學說2.3.2 免疫網絡學說2.4 人工免疫系統2.4.1 人工免疫系統研究歷史和現狀2.4.2 人工免疫系統模型2.4.3 人工免疫系統算法參考文獻第3章 多目標優化算法的收斂性及性能度量3.1 多目標優化算法的收斂性3.1.1 概述3.1.2 全局收斂性的特征3.1.3 Pareto-最優解集的特征3.1.4 多目優化算法的收斂性3.2 多目標優化算法的性能度量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 本章小結參考文獻第4章 免疫克隆選擇多目標優化算法4.1 引言4.2 算法設計與實現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用于求解多目標優化問題4.3 算法的復雜度分析4.4 算法的性能度量指標4.5 仿真結果及其分析4.5.1 測試問題4.5.2 算法的參數選擇和分析4.5.3 仿真結果分析4.6 本章小結參考文獻第5章 免疫克隆多目標優化算法求解約束優化問題5.1 引言5.2 問題定義5.3 約束處理技術5.3.1 已有的約束處理技術5.3.2 本章使用的約束處理方法5.4 算法設計與實現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 求解約束優化問題的免疫克隆多目標優化算法5.5 算法的收斂性分析5.6 算法的復雜度分析5.7 實驗結果與分析5.7.1 測試問題5.7.2 測試結果及性能分析5.8 本章小結參考文獻第6章 免疫記憶克隆算法用于求解約束多目標優化問題6.1 引言6.2 約束多目標優化問題的數學模型6.3 用于約束多目標優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化6.4 算法的特點分析6.5 算法的復雜度分析6.6 性能度量指標6.7 實驗結果與分析6.7.1 測試問題6.7.2 算法的參數選擇和分析6.7.3 測試結果及性能分析6.8 本章小結參考文獻第7章 免疫克隆算法求解動態多目標優化問題7.1 引言7.2 動態多目標優化問題7.3 算法設計與實現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 動態多目標免疫克隆優化算法7.4 算法的性能分析7.5 算法的復雜度分析7.6 實驗結果與分析7.6.1 收斂測度7.6.2 測試問題7.6.3 測試結果及性能分析7.7 本章小結參考文獻第8章 基于免疫優勢克隆選擇的多目標組合優化8.1 引言8.2 典型多目標優化問題的數學模型8.3 用于多目標組合優化問題的免疫優勢克隆選擇算法8.3.1 基本定義8.3.2 免疫優勢獲得操作8.3.3 免疫優勢克隆操作8.3.4 免疫優勢選擇操作8.3.5 免疫優勢克隆選擇算法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01背包問題的數學模型8.6.2 約束處理……第9章 基于免疫克隆優化的多目標聚類第10章 求解多目標化的非支配近鄰免疫算法第11章 求解偏好多目標優化的偏好等級免疫記憶克隆選擇算法第12章 多目標優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化算法參考文獻

章节摘录

插圖︰進化多目標優化在進化計算領域是一個非常熱門的研究方向。下面將按照Coello Coello的總結方式來討論進化多目標優化領域的一些主要算法。1)第一代進化多目標優化算法第一代進化多目標優化算法以Goldberg的建議為萌芽。1989年,Goldberg建議用非支配排序和小生境技術來解決多目標優化問題。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並將其從競爭中移去;然後從當前種群中選出非支配個體,並對其分配等級2,該過程持續到種群中所有個體都分配到次序後結束。小生境技術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化中,但是其思想對以後的學者來說,具有啟發意義。(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目加1。具有相同等級的個體用適應度共享機制進行選擇。其適應度分配方式按如下方式執行︰首先,種群按照等級排序;然後,對所有個體分配適應度,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度值是一樣的。通過適應度共享機制采用隨機采樣進行選擇。MOGA過于依賴共享函數的選擇,而且可能產生較大的選擇壓力,從而導致未成熟收斂。

编辑推荐

《多目標優化免疫算法、理論和應用》特點︰在多目標優化領域,人工免疫系統算法已經表現出比進化算法更優異的特性,如在提高收斂速度的同時,較好地保持了種群的多樣性,《多目標優化免疫算法、理論和應用》著重介紹了作者在基于人工免疫系統的多目標優化這一領域的研完成果,主要包括︰免疫克隆選擇多目標優化算法、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、多目標社會協同進化算法以及量子免疫克隆多目標優化算法,並針對不同問題提出了多種新的算法和實現策略。

图书封面




    多目標優化免疫算法、理論和應用下載



用户评论 (总计1条)

 
 

  •     做博士論文的時候用到此書作參考,非常有幫助,理論全面,方法新穎,十分有幫助。對于做研究的朋友們強烈推薦。焦李成老師的免疫算法文獻都很給力!
 

計算機與互聯網 PDF免费下载,人工智能PDF免费下载。 计算机教程网 

计算机教程网 @ 2017