人工免疫多Agent多目标优化算法及其应用研究
随着科技的发展和人们需求的增加，在工程设计、经济管理、自然与社会科学中，需要同时对多个目标进行优化的实际问题越来越多。如今，实施在单目标优化上的各类进化算法已广泛应用到多目标优化上，并取得了一定的成果，但仍然存在很多不足之处。模拟生物免疫机制的人工免疫系统具有很强大的优化信息处理机制，被认为是目前最具潜力的智能计算系统，然而，由于生物免疫机制的复杂性，目前所建立的人工免疫模型和算法仍存在很多缺陷。 针对目前多目标优化算法和人工免疫系统的诸多不足，本文在深入研究人工免疫和多 Agent系统后提出了一种人工免疫多 Agent系统。该系统不仅具有人工免疫系统的基本特征，还具备多 Agent系统分布式计算功能。系统通过邻域克隆选择算子、邻域竞争算子、邻域协作算子和自学习算子来完成全体 Agent的更新。其可以很好的完成局部和全局搜索，而且搜索的效率很高。再将提出的人工免疫多 Agent系统应用到多目标优化中，提出了一种人工免疫多 Agent多目标优化算法(Artificial Immune Multi-Agent Multi-objective Optimization Algorithm, AIMAMOA)。算法中主要结合了多目标优化中优秀的适应度定义方法和外部种群更新策略。通过实验对比分析可知，该多目标优化算法对于求解多目标优化问题是可行的，且在解的收敛性和分布性方面均有所优势。 在如今资源日益匮乏和经济利益的驱使下，石油化工中的过程操作优化变得尤为重要。但化工操作优化中使用的优化算法大多是基于传统的遗传进化算法，且优化的往往是单一的目标。本文中，将 AIMAMOA应用到分馏系统的多目标操作优化中。通过 AIMAMOA搜索分馏系统中最优的回流比，从而使得分馏系统中总能耗最低和产品 OX产量最大化这对相互矛盾的目标均达到最优化。其中，分馏系统的多目标操作优化模型有分馏系统 Aspen Plus机理模型和分馏系统神经网络模型。实验结果表明，用AIMAMOA搜索到的最优回流比可以用来指导实际分馏过程的操作优化。
人工免疫;多目标优化算法;多Agent系统;种群更新;神经网络
宁波大学
硕士
计算机技术
史旭华
2014
中文
TP18
75
2015-08-17（万方平台首次上网日期，不代表论文的发表时间）