改进的多目标免疫克隆算法.doc

第 ２６ 卷第 ５ 期 ２００９ 年 ５ 月　 计 算 机 应 用 研 究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ ＶｏＭｌ．ａ２ｙ６ Ｎｏ．５ ２００９ 基 于 Pareto 的多 目 标 进 化 免 疫 算 法 倡 陶　媛１ ， 吴耿锋１ ， 胡　珉 ２ （１．上海大学 计算机工程与科学学院， 上海 ２０００７２； ２．上海大学 悉尼工商学院， 上海 ２０１８００） 摘　要： 提出一种新的基于 Ｐａｒｅｔｏ 多目标进化免疫算法（ＰＭＥＩＡ）。 算法在每一代进化群体中选取最优非支配 抗体保存到记忆细胞文档中；同时引入 Ｐａｒｚｅｎ 态更新，使算法向着理想 Ｐａｒｅｔｏ 窗估计法计算记忆细胞的熵值，根据熵值对记忆细胞文档进行动 最优边界搜索。 此外，算法基于点在目标空间分布情况进行克隆选择，有利于得 到分布较广的 Ｐａｒｅｔｏ 最优边界，且加快了收敛速度。 与已有算法相比，ＰＭＥＩＡ 性方面都得到很好的提高。 在收敛性、多样性，以及解的分布 关键词： 进化免疫； Ｐａｒｅｔｏ 最优解； 基于信息熵的密度估计； 克隆选择 中图分类号： ＴＰ３０１．６　　　文献标志码： Ａ　　　 文章编号： １００１唱３６９５（２００９）０５唱１６８７唱０４ Ｐａｒｅｔｏ唱ｂａｓｅｄ ｍｕｌｔｉ唱ｏｂｊｅｃｔ ｅｖｏｌｕｔｉｏｎａｒｙ ｉｍｍｕｎｅ ａｌｇｏｒｉｔｈｍ ＴＡＯ Ｙｕａｎ１ ， ＷＵ Ｇｅｎｇ唱ｆｅｎｇ１ ， ＨＵ Ｍｉｎ ２ （１．College of Computer Science ＆ Engineering， Shanghai University， Shanghai ２０００７２，China； ２．Sydney Institute of Language ＆ Commerce， Shanghai University， Shanghai ２０１８００， China） Abstract： Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｎｅｗ ｐａｒｅｔｏ唱ｂａｓｅｄ ｍｕｌｔｉ唱ｏｂｊｅｃｔ ｅｖｏｌｕｔｉｏｎａｒｙ ｉｍｍｕｎｅ ａｌｇｏｒｉｔｈｍ（ＰＭＥＩＡ）．ＰＭＥＩＡ ｓｅｌｅｃｔｅｄ ｏｐｔｉｍａｌ ｎｏｎ唱ｄｏｍｉｎａｔｅｄ ａｎｔｉｂｏｄｉｅｓ ｗｈｉｃｈ ｗｅｒｅ ｔｈｅｎ ｒｅｓｅｒｖｅｄ ｉｎ ｍｅｍｏｒｙ ｃｅｌｌ ａｒｃｈｉｖｅ， ａｎｄ ｉｎｔｒｏｄｕｃｅｄ Ｐａｒｚｅｎ ｗｉｎｄｏｗ ｔｏ ｃａｌｃｕｌａｔｅ ｅｎｔｒｏｐｙ ｏｆ ｍｅｍｏｒｙ ｃｅｌｌｓ．Ｕｐｄａｔｅｄ ｔｈｅ ｍｅｍｏｒｙ ｃｅｌｌ ａｒｃｈｉｖｅ ａｃｃｏｒｄｉｎｇ ｔｏ ｅｎｔｒｏｐｙ ｏｆ ｍｅｍｏｒｙ ｃｅｌｌｓ．Ｔｈｉｓ ｇｕａｒａｎｔｅｅｓ ｔｈｅ ｃｏｎｖｅｒ唱 ｇｅｎｃｅ ｔｏ ｔｈｅ ｔｒｕｅ Ｐａｒｅｔｏ ｆｒｏｎｔ．Ｍｏｒｅｏｖｅｒ， ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｃｌｏｎｅ ｓｅｌｅｃｔｉｏｎ ｗａｓ ｄｅｐｅｎｄｅｎｔ ｏｎ ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎ ｔｈｅ ｏｂｊｅｃｔｉｖｅ ｓｐａｃｅ， ｗｈｉｃｈ ｗａｓ ｆａｖｏｒａｂｌｅ ｆｏｒ ｇｅｔｔｉｎｇ ａ ｗｉｄｅｌｙ ｓｐｒｅａｄ Ｐａｒｅｔｏ ｆｒｏｎｔ ａｎｄ ｉｍｐｒｏｖｉｎｇ ｃｏｎｖｅｒｇｅｎｃｅ ｓｐｅｅｄ．Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｅｘｉｓ唱 ｔｅｄ ａｌｇｏｒｉｔｈｍｓ ， ｔｈｅ ｏｂｔａｉｎｅｄ ｓｏｌｕｔｉｏｎｓ ｏｆ ＰＭＥＩＡ ｈａｖｅ ｍｕｃｈ ｂｅｔｔｅｒ ｐｅｒｆｏｒｍａｎｃｅ ｉｎ ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ，ｄｉｖｅｒｓｉｔｙ ａｎｄ ｄｉｓｔｒｉｂｕｔｉｏｎ． Key words： ｅｖｏｌｕｔｉｏｎａｒｙ ｉｍｍｕｎｅ； Ｐａｒｅｔｏ ｏｐｔｉｍａｌ ｓｏｌｕｔｉｏｎ； ｅｎｔｒｏｐｙ唱ｂａｓｅｄ ｄｅｎｓｉｔｙ ａｓｓｅｓｓｍｅｎｔ； ｃｌｏｎｅ ｓｅｌｅｃｔｉｏｎ 　　近来， 多目标进化算法（ ｍｕｌｔｉ唱ｏｂｊｅｃｔ ｅｖｏｌｕｔｉｏｎ ａｌｇｏｒｉｔｈｍ， ＭＥＡ）已成为解决多目标优化问题的主要工具，如 Ｚｉｔｚｌｅｒ 等 ［１］ 提出的 ＳＰＥＡ 和 Ｋｎｏｗｌｅｓ ［２］ 提出的 ＰＡＥＳ 人 等人 使用了精英 保留策略的进化算法。 采用进化算法求解多目标优化问题的 优势是：在多目标进化算法中，保留上一代非支配集，并使之参 与新一代的多目标进化操作，从而使新一代的非支配集不比上 一代差。 这样，一代一代进化下去，进化群体的非支配集不断 进化算法求解多目标优化问题存在的缺陷。 ＡＩＳ 成功地被应用到解决各种优化问题，并且它拥有的各 种免疫特性能解决进化算法的早熟问题及提高局部搜索能力。 ＡＩＳ 采用不同的方法解决优化问