多目标人工蜂群算法及遗传算法的研究与应用

第一部分 相关研究

1 绪论

1.1 研究意义

1.2 多目标优化问题

1.3 研究现状

1.4 算法评价指标

1.5 本章小结

2 相关算法

2.1 人工蜂群算法

2.2 遗传算法

2.3 Pareto局部优化算法

2.4 本章小结

第二部分 多目标人工蜂群算法

3 多目标人工蜂群算法设计

3.1 总体框架第一部分相关研究

3.2 策略设计

3.3 算法描述

3.4 本章小结

4 多目标函数优化问题

4.1 算法模型

4.2 试验分析

4.3 本章小结

5 面向QoS的无线网络路由优化问题

5.1 引言

5.2 问题定义

5.3 算法模型

5.4 试验分析

5.5 本章小结

第三部分 多目标遗传算法

6 多目标遗传算法设计

6.1 改进的NSGA2 多目标遗传算法——INSGA2

6.2 改进的SPEA2 多目标遗传算法——ISPEA2

6.3 改进的MOEAD多目标遗传算法——IMOEAD

6.4 基于SPEA2 和MOEAD的混合分解多目标遗传算法

6.5 本章小结

7 MQRWA问题

7.1 引言

7.2 问题定义

7.3 遗传算法模型

7.4 试验分析

7.5 本章小结

8 服务选取问题

8.1 引言

8.2 问题定义

8.3 遗传算法模型

8.4 试验分析

8.5 本章小结

参考文献

《多目标人工蜂群算法及遗传算法的研究与应用》主要研究了求解多目标优化问题的人工蜂群算法及混合遗传算法，针对不同的测试问题，建立了相应的多目标优化算法模型，并从多个角度与相关算法进行了试验对比分析。在多目标人工蜂群算法方面，设计了一种多目标人工蜂群框架，并针对框架的各部分，实现了多种策略，从而衍生出多种多目标人工蜂群算法，并将其应用于求解具有连续空间的函数优化问题和离散空间的面向QoS的无线网络路由优化问题。《多目标人工蜂群算法及遗传算法的研究与应用》在多目标混合遗传算法方面，对已有的几种被广泛认可的遗传算法及PLS算法进行了研究，提出了几种改进的混合多目标遗传算法，并利用提出的算法求解了光网络优化问题及服务选取问题。

在实际中，大多数优化多目标问题都具有NP（non-deterministicpolynomial）难度，而传统的优化算法虽然具有较高的计算效率、较强的可靠性、比较成熟等优点，但都具有难以克服的局限性，对于一个复杂的优化问题来说，求解精确的、甚至近似的最优解都是很难的，有时则根本做不到。而借鉴仿生学思想发展起来的元启发式算法，在实际应用中不需要建立问题的精确模型，非常适合于解决难以建立有效形式化模型的问题，并且它们往往具有自学习、自组织、自适应的特征和简单通用、鲁棒性、并行处理的优点。已经被应用于多个领域中的多目标优化问题，如数字信号处理、神经网络优化、模式识别、机器人路径规划、化工、医学等诸多工程领域，已成为计算智能领域的一个重要发展方向。