基于Pareto多目标进化免疫算法.docVIP

基于Pareto多目标进化免疫算法 　　 (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 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态更新，使算法向着理想Pareto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在收敛性、多样性，以及解的分布性方面都得到很好的提高。 　　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：1001-3695(2009)05-1687-04 　　 　　Pareto??based multi??object evolutionary immune algorithm 　　TAO Yuan??1 WU Geng??feng??1 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??based multi??object evolutionary immune algorithm（PMEIA）. PMEIA selected optimal non??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 convergence 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 existed algorithmsthe obtained solutions of PMEIA have much better performance in the convergence，diversity and distribution. 　　Key words：evolutionary immune; Pareto optimal solution; entropy??based density assessment; clone selection 　　 　　近来 多目标进化算法（multi??object evolution algorithm,MEA）已成为解决多目标优化问题的主要工具，如Zitzler等人[1]提出的SPEA和Knowles等人[2]提出的PAES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地逼近真正的最优边界。?? 　　目前MEA 处理多目标优化问题的局限在于:a)主要是模仿生物自身的进化过程，没有（或很少）考虑进化环境对进化的作用；b)主要针对确定的多目标优化问题而设计，而在现实世界中，许多多目标优化问题是不确定的；c）对初始种群分布有较强的依赖性，在群体分布不均时，易出现群体多样性差的现象。因此寻求既能自我调节群体多样性又能解决不确定性问题的MEA已成为计算智能领域研究的重要课题。?? 　　生物免疫系统面临的环境完全是不确定的、时变的，外界入侵物（抗原）的形