基于免疫進(jìn)化的多目標(biāo)優(yōu)化及其應(yīng)用研究.pdf

1、科學(xué)研究和工程實(shí)踐領(lǐng)域遇到的優(yōu)化問(wèn)題通常具有多個(gè)目標(biāo)函數(shù),鑒于問(wèn)題本身的復(fù)雜性,傳統(tǒng)的數(shù)學(xué)規(guī)劃方法已經(jīng)很難高效地求解這類問(wèn)題。免疫算法和進(jìn)化計(jì)算都使用了有效的群體搜索策略,并且強(qiáng)調(diào)個(gè)體之間的信息交換,因此非常適合多目標(biāo)優(yōu)化問(wèn)題的求解,近年來(lái)引起了越來(lái)越多學(xué)者的關(guān)注,基于人工免疫系統(tǒng)、進(jìn)化計(jì)算的多目標(biāo)優(yōu)化已經(jīng)成為人工智能領(lǐng)域的研究熱點(diǎn)之一。
　　 在現(xiàn)有的免疫進(jìn)化多目標(biāo)優(yōu)化算法基礎(chǔ)上,本文對(duì)多目標(biāo)函數(shù)優(yōu)化及其在聚類方面的應(yīng)用進(jìn)行了

2、研究,主要進(jìn)行了以下三方面的工作:
　　 (1)以非支配近鄰免疫算法為基礎(chǔ),設(shè)計(jì)了結(jié)合局部搜索的混合免疫多目標(biāo)優(yōu)化算法,該算法加入了局部搜索策略和自適應(yīng)克隆種群規(guī)模,局部搜索策略加強(qiáng)了算法的搜索能力,加快了算法的收斂速度,自適應(yīng)克隆種群規(guī)模使得算法減少了不必要的函數(shù)評(píng)價(jià)次數(shù)。對(duì)比實(shí)驗(yàn)表明,結(jié)合局部搜索的混合免疫多目標(biāo)優(yōu)化算法在求解多目標(biāo)函數(shù)優(yōu)化問(wèn)題時(shí)具有更快的收斂速度,收斂能力更強(qiáng)。
　　 (2)提出了一種基于進(jìn)化多目標(biāo)

3、優(yōu)化的聚類方法,算法采用了簡(jiǎn)單的基于類別數(shù)的編碼方式和獨(dú)特的種群初始化方法,并且使用了有針對(duì)性的進(jìn)化操作算子,最后選擇合適的策略從Pareto解集中尋找最優(yōu)解。實(shí)驗(yàn)表明,該多目標(biāo)聚類算法不僅能夠適合不同類型分布的數(shù)據(jù)集,而且提高了聚類正確率,并且在人工合成紋理圖像上的聚類效果也非常明顯。
　　 (3)在工作(1)的算法框架基礎(chǔ)上,提出了一種基于免疫多目標(biāo)聚類的圖像自動(dòng)分割方法,使用基于聚類中心的可變長(zhǎng)度的編碼方式使得算法能夠自動(dòng)