论文部分内容阅读
膜计算作为自然计算的一个分支,其目的是从生物细胞的结构与功能中以及从器官和组织等细胞群的协作中,抽象出计算模型。膜计算模型被称为膜系统,也叫做P系统,具有良好的并行性、分布性和非确定性等特点。现在膜计算已经广泛的应用到众多的优化领域中。因此,膜计算是一个具有重要理论意义和现实价值的研究课题。多目标优化问题广泛存在于科学研究和工程应用中,这些目标之间往往相互冲突。目前有很多自然启发的算法来解决这个问题,如遗传算法、粒子群优化算法和基于P系统的优化算法等。在这些方法中,因膜计算模型在解决优化问题时能提供丰富的框架,基于P系统的优化算法俨然成了当前的研究热点。基于此,本文对膜计算进行了深入的研究,提出了两种在膜计算模型下的多目标优化算法：(1)提出了基于表层膜指导的低维多目标膜优化算法。膜计算作为自然计算的一个分支,在单目标问题方面已经取得了一定的研究成果,但是在多目标问题上还有待挖掘。对于目前的基于膜计算模型的多目标优化算法中,很多算法都把表层膜作为一个归档,存储搜索过程中的最优解。但它们都忽略了利用表层膜存储的最优解来指导内部膜种群的进化。因此本文提出了一个有效的表层膜指导策略,利用表层膜保存的好的解来指导内部膜种群的进化,可以加速种群的收敛,并且这种策略同时考虑到种群的收敛性和分布性。基于该策略提出一种基于表层膜指导的多目标膜优化算法,简称SMG-MOMA。在多目标测试问题ZDT和DTLZ上进行仿真实验,并与已有经典的多目标进化算法和多目标膜算法作比较,SMG-MOMA算法可以很好地收敛到真实的P areto前沿面,是一种有效的多目标优化算法。(2)提出了基于表层膜指导的高维多目标膜算法。由于膜计算模型在解决优化问题时能够提供丰富的框架,使得其在多目标优化方面有独特的优势。但是在目标超过三个的多目标优化问题上,还没有相关的膜算法来尝试解决该问题。虽然SMG-MOMA算法证明了表层膜指导策略在种群进化过程中起到了很大的作用。但随着目标的越来越多时,该指导策略无法进行更有效的指导分配。所以,本文提出了一个更有效的表层膜指导分配策略,即在表层膜中设置两个归档种群,一个用于保证收敛性,另一个用于保证分布性,分别对内部膜种群进行指导进化。基于该策略本文提出了一种表层膜指导的高维多目标优化算法,简称SMG-MaOMA。在可扩展的多目标优化问题DTLZ和WFG上进行实验,结果表明,SMG-MaOMA算法可以有效的处理高维多目标优化问题。