非均匀量子克隆多目标进化算法3.docVIP

非均匀量子克隆多目标进化算法 厍向阳 朱命昊 (西安科技大学计算机科学与技术学院，西安，710054) 摘( 要: 该文基于非均匀变异、量子计算的高效性和人工免疫系统的抗体克隆选择学说，提出非均匀量子克隆多目标进化算法。该用量子位编码初始群体，用引量子旋转门实现个体更新中图分类号TP301.6 文献标识码 Quantum Clonal Multiobjective Evolutionary Algorithm SHE Xiang-yang ZHU Ming-hao (College of Computer Science Technology, Xi’ an University of Science Technology; Xi’an 710054; China) Abstract: Based on the non-uniform mutation, the high efficiency of quantum computing and antibody clonal selection theory of Artificial Immune System(AIS), Non-uniform Quantum Clonal Multiobjective Evolutionary Algorithm (NQCMEA) is proposed in this paper. The algorithm encodes the initial population by qubit, updates individuals by quantum rotated gates with non-uniform mutation and chaos variables, maintains the distribution and diversity of solutions by crowding distance. Theoretical analysis and experimental simulation proved the effectiveness of the algorithm. Key words: Multiobjective optimization; Clonal Select Algorithm; Chaos; Quantum bit encoding; Non-uniform mutation 引言 科学与工程实践中的许多优化问题都可归结为多目标优化问题(Multi-objective Optimization Problem，MOP(AIS)是模仿生物免疫系统功能的一种智能方法，具有较强的识别、学习、记忆和自适应能力。量子进化算法(QEA)具有更好的群体多样性和全局寻优能力、群体规模较小但不影响算法的性能等优点，但量子进化算法的转角如何设定是很难设计的。混沌具有随机性、遍历性、规律性等特点，在一定范围内能按其自身的规律不重复地遍历所有状态。 本文提出了非均匀量子克隆多目标进化算法(Non-uniform Quantum Clonal Multiob- jective Evolutionary Algorithm，NQCMEA)。该算法将新的量子编码方法引入克隆选择算法的框架中，设计了非均匀混沌量子旋转门变异算子，采用拥挤距离保持种群的分布性和多样性。理论分析和数值仿真表明NQCMEA能够很好地解决多目标优化问题，具有较强的全局搜索能力。 多目标优化问题 一个具有个决策变量和个目标函数的多目标优化问题(MOP)[1]可表达为 (1) 其中，称为决策变量，是维的决策空间； 称为目标函数，是维的目标空间。 对于，称解支配(记作)当且仅当 (2) 一个解被称为Pareto-最优解(或非劣解)当且仅当。 Pareto-最优解集定义为 (3) Pareto-最优解集是所有Pareto-最优解的集合，Pareto-最优解集中的解对应的目标函数值组成的集合 (4) 称为Pareto-前端。 非均匀量子克隆多目标进化算法 问题表示 (1) 初始化群体 抗原对应于优化的问题，抗体对应于问题的可行解。按以下方法产生初始群体[2]： 首先给定个变量不同的初始值，是优化变量的维数。令，利用式(5)[3] (5) 产生个混沌变量初始化群体中第一个抗体上的量子位，其中 ，是混沌变量序号。然后令(是抗体种群的规模)，按上述方法产生另外个抗体。这个抗体就组成了初始群体。以第个抗体为例，初始化结果为 (6) 其中。 (2) 解空间变换 群体中的每个抗体包含2个量子比特概率幅，利用线性变换，可将这2个概率幅由单位