针对已有多目标优化算法在求解高维多目标优化问题和动态多目标优化问题时,存在的早熟、收敛速度慢和局域搜索能力较弱等瓶颈问题,本项目拟将量子的快速并行计算特性与人工免疫系统理论相结合,引入非达尔文进化学习机理,建立量子免疫多目标优化模型,分析模型收敛的条件,给出相应算法的收敛性定理和判别准则。深入分析免疫响应过程中的非达尔文进化学习机理,构造适合量子免疫多目标优化模型的Lamarck 学习算子和Baldwin 效应算子,研究利用新算子实现量子免疫多目标优化算法的具体方法。进而在量子免疫多目标优化模型的框架下,设计相应的亲合度测度函数、量子免疫克隆、变异与交叉等算子及相应的停机准则,以解决新模型应用于高维多目标优化和动态多目标优化时的瓶颈问题。本项目研究对于丰富和完善人工免疫系统及量子智能计算的模型及其应用都有重要意义。
artificial immune system;quantum computation;evolutionary operator;multiobjective optimization;
针对已有多目标优化算法在求解高维多目标优化问题和动态多目标优化问题时,存在的早熟、收敛速度慢和局域搜索能力较弱等瓶颈问题,将量子的快速并行计算特性与人工免疫系统理论相结合,引入非达尔文进化学习机理,建立量子免疫多目标优化模型,分析模型收敛的条件,给出相应算法的收敛性定理和判别准则。研究利用新算子实现量子免疫多目标优化算法的具体方法。设计相应的亲合度测度函数、量子免疫克隆、变异与交叉等算子及相应的停机准则。因此在解决目前进化计算用于求解多目标优化问题中存在的早熟、收敛速度慢和局域搜索能力较弱等本质性问题上,有实质性进展。对进化多目标优化及相关领域的进一步研究提供了理论基础和技术支持。