主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2019-2020年专刊出版计划 微信服务介绍 最新一期:2019年第2期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
尚荣华,焦李成,马文萍.免疫克隆多目标优化算法求解约束优化问题.软件学报,2008,19(11):2943-2956
免疫克隆多目标优化算法求解约束优化问题
Immune Clonal Multi-Objective Optimization Algorithm for Constrained Optimization
投稿时间:2007-01-03  修订日期:2007-08-24
DOI:
中文关键词:  克隆选择  多目标优化  Pareto-支配  约束优化  马尔可夫链
英文关键词:clonal selection  multi-objective optimization  Pareto-dominance  constrained optimization  Markov chain
基金项目:Supported by the National Natural Science Foundation of China under Grant No.60703107 (国家自然科学基金); the National Basic Research Program of China under Grant No.2006CB705700 (国家重点基础研究发展计划(973)); the National High-Tech Research and Development Plan of China under Grant No.2006AA01Z107 (国家高技术研究发展计划(863))
作者单位
尚荣华 西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
焦李成 西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
马文萍 西安电子科技大学 智能信息处理研究所,陕西 西安 710071 
摘要点击次数: 3645
全文下载次数: 5618
中文摘要:
      针对现有的约束处理技术的一些不足之处,提出一种用于求解约束优化问题的算法——免疫克隆多目标优化算法(immune clonal multi-objective optimization algorithm,简称ICMOA).算法的主要特点是通过将约束条件转化为一个目标,从而将问题转化为两个目标的多目标优化问题.引入多目标优化中的Pareto-支配的概念,每一个个体根据其被支配的程度进行克隆、变异及选择等操作.克隆操作实现了全局择优,有利于得到高质量的解;变异操作提高算法的局部搜索能力,有利于所得解的多样性;选择操作有利于算法向着最优搜索,而且加快了收敛速度.基于抗体群的随机状态转移过程,证明该算法具有全局收敛性.通过对13个标准测试问题的测试,并与已有算法进行比较,结果表明,该算法在收敛速度和求解精度上均具有一定的优势.
英文摘要:
      In this paper, the disadvantages of some existing algorithms in handling constrained objective problems (COPs) are analyzed and an algorithm used for COPs—immune clonal multi-objective optimization algorithm (ICMOA) is proposed. This algorithm treats constrained optimization as a multi-objective optimization with two objectives. One objective is the original objective function and the other is obtained by the constraints. The concept of the Pareto-dominance in multi-objective optimization is introduced and each individual is implemented clone, mutation, selection and other operations based on the degree of its Pareto-dominance. The clone operation implements the searching for optimal solution in the global region and is available for getting a high quality solution. The mutation operation improves the searching for optimal solution in the local region and assures the diversity of the solutions. The selection operation guarantees the convergence to the optimal solution and improves the convergence speed. Based on the theorem of Markov chain, the global convergence of the new algorithm is proved. Compared with the existing algorithms, simulation results on 13 benchmark test problems show that the new algorithm has some advantages in convergence speed and precision.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利