第1章 多目标优化研究进展 1
1.1 多目标优化问题 1
1.2 多目标优化问题的数学模型 3
1.3 多目标优化算法 4
1.3.1 古典的多目标优化方法 4
1.3.2 基于进化算法的多目标优化方法 5
1.3.3 基于粒子群的多目标优化方法 10
1.3.4 基于协同进化的多目标优化方法 11
1.3.5 基于人工免疫系统的多目标优化方法 12
1.3.6 基于分布估计的多目标优化方法 16
1.4 多目标优化的研究趋势 16
1.4.1 新型占优机制研究 17
1.4.2 高维多目标优化的研究 17
1.4.3 动态多目标优化的研究 19
1.4.4 多目标优化测试问题研究 19
1.5 多目标优化算法的设计目标 20
参考文献 21
第2章 人工免疫系统基础 28
2.1 进化计算的基础 28
2.1.1 进化计算的生物学基础 28
2.1.2 进化算法的一般框架及特点 29
2.1.3 进化算法的主要分支 30
2.1.4 进化算法研究进展 32
2.2 生物免疫系统 34
2.2.1 生物免疫学和免疫的基本概念 34
2.2.2 免疫分类 35
2.2.3 免疫系统及其功能 36
2.3 生物免疫系统的两个重要学说 40
2.3.1 克隆选择学说 40
2.3.2 免疫网络学说 42
2.4 人工免疫系统 43
2.4.1 人工免疫系统研究历史和现状 43
2.4.2 人工免疫系统模型 44
2.4.3 人工免疫系统算法 45
参考文献 48
第3章 多目标优化算法的收敛性及性能度量 53
3.1 多目标优化算法的收敛性 53
3.1.1 概述 53
3.1.2 全局收敛性的特征 54
3.1.3 Pareto-最优解集的特征 54
3.1.4 多目优化算法的收敛性 56
3.2 多目标优化算法的性能度量 57
3.2.1 概述 57
3.2.2 常见的性能度量方法 58
3.2.3 改进的性能度量方法 60
3.3 本章小结 64
参考文献 64
第4章 免疫克隆选择多目标优化算法 67
4.1 引言 67
4.2 算法设计与实现 68
4.2.1 算法流程图 69
4.2.2 初始化 69
4.2.3 免疫克隆操作 69
4.2.4 免疫基因操作 71
4.2.5 克隆选择操作 72
4.2.6 抗体群更新操作 73
4.2.7 NICA用于求解多目标优化问题 74
4.3 算法的复杂度分析 75
4.4 算法的性能度量指标 76
4.5 仿真结果及其分析 76
4.5.1 测试问题 76
4.5.2 算法的参数选择和分析 79
4.5.3 仿真结果分析 81
4.6 本章小结 109
参考文献 110
第5章 免疫克隆多目标优化算法求解约束优化问题 113
5.1 引言 113
5.2 问题定义 113
5.3 约束处理技术 114
5.3.1 已有的约束处理技术 114
5.3.2 本章使用的约束处理方法 115
5.4 算法设计与实现 116
5.4.1 免疫和克隆选择 116
5.4.2 克隆操作 116
5.4.3 免疫基因操作 117
5.4.4 求解约束优化问题的免疫克隆多目标优化算法 120
5.5 算法的收敛性分析 121
5.6 算法的复杂度分析 123
5.7 实验结果与分析 124
5.7.1 测试问题 124
5.7.2 测试结果及性能分析 128
5.8 本章小结 131
参考文献 131
第6章 免疫记忆克隆算法用于求解约束多目标优化问题 133
6.1 引言 133
6.2 约束多目标优化问题的数学模型 134
6.3 用于约束多目标优化的免疫记忆克隆算法 134
6.3.1 约束条件的处理方法 134
6.3.2 免疫记忆克隆 135
6.3.3 免疫克隆重组操作 136
6.3.4 免疫克隆变异操作 136
6.3.5 免疫记忆克隆约束多目标优化 136
6.4 算法的特点分析 138
6.5 算法的复杂度分析 139
6.6 性能度量指标 140
6.7 实验结果与分析 140
6.7.1 测试问题 140
6.7.2 算法的参数选择和分析 141
6.7.3 测试结果及性能分析 142
6.8 本章小结 146
参考文献 147
第7章 免疫克隆算法求解动态多目标优化问题 149
7.1 引言 149
7.2 动态多目标优化问题 150
7.3 算法设计与实现 151
7.3.1 免疫克隆选择算子 151
7.3.2 非一致性变异算子 152
7.3.3 抗体群更新算子 152
7.3.4 动态多目标免疫克隆优化算法 153
7.4 算法的性能分析 154
7.5 算法的复杂度分析 155
7.6 实验结果与分析 155
7.6.1 收敛测度 155
7.6.2 测试问题 156
7.6.3 测试结果及性能分析 158
7.7 本章小结 165
参考文献 166
第8章 基于免疫优势克隆选择的多目标组合优化 167
8.1 引言 167
8.2 典型多目标优化问题的数学模型 168
8.3 用于多目标组合优化问题的免疫优势克隆选择算法 169
8.3.1 基本定义 169
8.3.2 免疫优势获得操作 171
8.3.3 免疫优势克隆操作 171
8.3.4 免疫优势选择操作 172
8.3.5 免疫优势克隆选择算法 173
8.4 算法机理分析 174
8.4.1 算法的机理 174
8.4.2 算法的复杂度分析 175
8.5 性能评价指标 176
8.6 IDCMA求解背包问题 177
8.6.1 多目标0/1背包问题的数学模型 177
8.6.2 约束处理 178
8.6.3 算法设计 178
8.7 实验结果与分析 179
8.7.1 测试问题 179
8.7.2 算法的参数选择 179
8.7.3 实验结果分析 180
8.8 本章小结 184
参考文献 184
第9章 基于免疫克隆优化的多目标聚类 186
9.1 引言 186
9.2 多目标聚类算法分析 187
9.3 基于免疫克隆优化的多目标聚类算法 188
9.3.1 概念与定义 188
9.3.2 个体基因表示及操作算子 190
9.3.3 目标函数 192
9.3.4 算法描述 193
9.4 聚类数的自动确定 194
9.4.1 控制数据 194
9.4.2 Pareto最优面及控制面的集合 195
9.5 实验测试结果 196
9.5.1 对比算法描述 196
9.5.2 实验参数设置 196
9.5.3 聚类性能评价函数 197
9.5.4 算法聚类性能 197
9.6 本章小结 201
参考文献 201
第10章 求解多目标优化的非支配近邻免疫算法 203
10.1 非支配近邻免疫算法 203
10.1.1 基本概念 203
10.1.2 算法描述与分析 204
10.2 实验分析 207
10.2.1 实验设置 207
10.2.2 NNIA与PESA-Ⅱ、SPEA2、NSGA-Ⅱ和MISA的比较 212
10.2.3 重组对NNIA性能的影响 220
10.2.4 可扩展性研究 221
10.3 本章小结 223
参考文献 225
第11章 求解偏好多目标优化的偏好等级免疫记忆克隆选择算法 226
11.1 引言 226
11.2 问题与定义 227
11.2.1 偏好多目标优化问题定义 227
11.2.2 偏好关系模型 228
11.3 偏好等级免疫记忆克隆选择算法 229
11.3.1 偏好多目标优化 229
11.3.2 偏好等级的定义 230
11.3.3 偏好等级免疫记忆克隆选择算法 231
11.4 实验仿真 236
11.4.1 度量标准 236
11.4.2 测试函数 237
11.4.3 实验设置 238
11.4.4 实验测试结果与分析 239
11.4.5 PISA用于解决高维多目标问题 244
11.4.6 重组算子对PISA的影响 247
11.4.7 对比运行时间分析 248
11.5 本章小结 249
参考文献 249
第12章 多目标优化问题的多智能体社会进化算法 252
12.1 引言 252
12.2 多目标优化问题的多智能体社会进化算法 252
12.2.1 social multi-Agent系统 252
12.2.2 Agent生存环境 253
12.2.3 Agent定义 253
12.2.4 局部感知环境定义 254
12.2.5 Agent行为设计 255
12.2.6 算法描述 257
12.2.7 算法复杂度分析 258
12.3 实验结果及其分析 258
12.3.1 性能评价方法 258
12.3.2 多目标函数优化问题测试 259
12.3.3 局部环境建立方式分析 264
12.4 本章小结 266
参考文献 266
第13章 量子免疫克隆多目标优化算法 268
13.1 量子计算原理 268
13.1.1 状态的叠加 269
13.1.2 状态的相干 269
13.1.3 状态的纠缠 270
13.1.4 量子并行性 270
13.2 量子计算智能的几种模型 270
13.2.1 量子人工神经网络 270
13.2.2 基于量子染色体的进化算法 271
13.2.3 基于量子特性的优化算法 272
13.2.4 量子聚类算法 272
13.2.5 量子模式识别算法 273
13.2.6 量子小波与小波包算法 273
13.2.7 量子退火算法 273
13.2.8 其他算法 274
13.3 量子进化算法 274
13.3.1 量子进化算法的提出 274
13.3.2 量子进化算法中用到的一些基本概念 275
13.3.3 量子进化算法 276
13.3.4 量子进化算法的结构框架 279
13.3.5 量子进化算法的收敛性 282
13.4 量子克隆进化算法 284
13.4.1 量子克隆遗传算法 285
13.4.2 量子克隆进化规划 285
13.4.3 量子克隆进化策略 286
13.4.4 量子克隆进化算法的收敛性 286
13.5 量子免疫克隆多目标优化算法 288
13.5.1 问题描述 288
13.5.2 量子免疫克隆算子设计 289
13.5.3 算法描述 290
13.6 算法分析 291
13.6.1 算法的特点分析 291
13.6.2 算法的复杂度分析 292
13.7 仿真实验比较研究 293
13.8 本章小结 302
参考文献 302