量子進(jìn)化算法用于求解約束多目標優(yōu)化問(wèn)題的探析
大四了，現在該考慮一下自己畢業(yè)論文怎么寫(xiě)了。本科生畢業(yè)論文過(guò)不了是很丟臉的事情，所以必須要重視起來(lái)。下面文書(shū)幫小編給大家帶來(lái)一篇論文范文，歡迎閱讀！
摘 要：本文提出了一種用于解決約束多目標優(yōu)化問(wèn)題的方法。本算法在進(jìn)化算法的基礎上加入了鄰里競爭與鄰里合作算子，并通過(guò)引入agent-based模型的設計理念，更加注重個(gè)體變化對整個(gè)群體的影響。本算法首先使用約束偏離值的方法將約束多目標優(yōu)化問(wèn)題簡(jiǎn)化為多目標優(yōu)化問(wèn)題;然后使用自我更新算子，當新產(chǎn)生的個(gè)體優(yōu)于原先的個(gè)體時(shí)予以替換;之后通過(guò)鄰里競爭與鄰里合作加快種群內部的信息交流;最后加入量子加速算子，通過(guò)使用量子旋轉門(mén)來(lái)擴大計算搜尋范圍提高程序計算速度。本文最后與兩種已有算法進(jìn)行對比，實(shí)驗結果表明，本算法完成了設計目標。在運行時(shí)間和輸出結果精度方面都有不錯的表現。
關(guān)鍵詞：約束多目標優(yōu)化 約束偏離值 鄰里競爭 量子計算
一、引言
進(jìn)化算法是以達爾文的進(jìn)化論思想為基礎，通過(guò)模擬生物進(jìn)化過(guò)程與機制的求解問(wèn)題的自組織、自適應的人工智能技術(shù)。與傳統的優(yōu)化算法相比，進(jìn)化計算是一種成熟的具有高魯棒性和廣泛適用性的全局優(yōu)化方法，具有自組織、自適應、自學(xué)習的特性。尤其是在處理多目標優(yōu)化問(wèn)題時(shí)，進(jìn)化算法表現出很好的效果。
近年來(lái)，出現了很多優(yōu)秀的算法用于解決約束多目標優(yōu)化問(wèn)題，其中Deb提出的NSGA-II算法是最為經(jīng)典的一個(gè)算法。NSGA-II成功的將進(jìn)化算法應用在約束多目標優(yōu)化問(wèn)題上，在進(jìn)化算法的基礎上引入了約束偏離值。Hongguang Li提出了基于agent的進(jìn)化算法用于求解約束多目標優(yōu)化問(wèn)題。算法利用agent概念認為每個(gè)個(gè)體與其種群內其他個(gè)體都有相互的作用和影響，雖然算法精度不是很高但是計算速度很快。本文受到基于agent概念的啟發(fā)，希望設計出一個(gè)計算速度快，精度高的算法。
二、量子進(jìn)化算法
2.1 鄰里競爭與鄰里合作
agent-based模型是一種從底層到高層的數學(xué)模型，模型更加注重的是每個(gè)個(gè)體對整個(gè)群體的影響，通過(guò)改變個(gè)體的某些特征和表現從而影響整個(gè)整體。本算法在此基礎上，通過(guò)模仿自然界種群內部個(gè)體之間既有競爭又有合作的關(guān)系，設計出了鄰里競爭與鄰里合作算子。鄰里競爭算子采用的是吞并算子，算子表示如下：
設對于一個(gè)種群共有k個(gè)個(gè)體X1，X2，…，Xi，每個(gè)個(gè)體的目標函數值分別為，則：
(1)
其中表示的是新產(chǎn)生的個(gè)體。公式表達的意義是：每個(gè)個(gè)體與其排名靠后一位的個(gè)體進(jìn)行競爭，將兩者目標函數值進(jìn)行對比，目標函數值較小的個(gè)體成為這一位置上的新個(gè)體。
鄰里合作算子如下：
(2)
(3)
其中，是個(gè)體i、j的第k個(gè)決策變量，且。r，u是分布在[0，1]之間的隨機數。
2.2 量子計算
加入量子算子是為了加快計算速度，希望通過(guò)更少的進(jìn)化代數進(jìn)化出更加優(yōu)秀的種群。本算法通過(guò)設計出一個(gè)對周?chē)鷧^域具有自適應調整搜索步長(cháng)的量子旋轉門(mén)，從而提升量子計算運行效率。量子計算首先需要將個(gè)體的基因編碼從實(shí)數編碼形式轉換為量子編碼形式，之后通過(guò)量子旋轉門(mén)的計算快速搜索周?chē)臻g尋找更加優(yōu)秀的個(gè)體進(jìn)行輸出。
個(gè)體在完成量子旋轉門(mén)的計算后，個(gè)體的基因編碼需要映射回實(shí)數域，完成其他計算過(guò)程。量子算子的本質(zhì)也就是通過(guò)將個(gè)體基因編碼轉換為量子域，通過(guò)利用量子計算在量子域具有指數級加速和指數級存儲的能力，快速的尋找最優(yōu)解的過(guò)程。
2.3 算法的主要流程
圖1為本算法流程圖。算法采用順序結構設計，結構簡(jiǎn)單， 在進(jìn)化計算的基礎上首先使用了約束偏離值的方法，將約束多目標問(wèn)題進(jìn)行簡(jiǎn)化。其次借鑒了基于agent模型里種群中個(gè)體之間又相互的影響和作用，設計了鄰里競爭與鄰里合作算子。又利用了量子計算的加速性能，提升了算法的運行速度。
若為第一代種群，本算法通過(guò)之前修正好的目標函數向量進(jìn)行選擇，首先在可行解里選取非支配解，形成種群FeaPop，并在全部種群中尋找非支配解，放入種群NonPop中;若不是第一代種群，則將上一代產(chǎn)生的父代FeaPop與當代的進(jìn)化種群Pop合并形成NPop，在合并之后的種群里再去尋找可行非支配解形成當代的FeaPop種群，尋找非支配解形成當代的NonPop。變異算子對于防止種群陷入局部最優(yōu)解起到了重要的作用，本算法采用文獻中非一致性變異算子。
三、仿真實(shí)驗與結果分析
本文的測試問(wèn)題是Deb提出的六個(gè)經(jīng)典的約束多目標最小化問(wèn)題， 算法參數設計為：初始種群大小為100，合作概率為0.9， 合作指數為10，變異概率為0.5，非一致系數為2，自我更新指數為20。最大的可行非支配解集FeaPop大小為100，非支配解集NonPop大小為100。對比算法初始種群大小為100， 交叉概率為0.9， 交叉分布指數為15， 變異概率為0.1， 變異分布指數為20。
文中所有測試問(wèn)題均獨立運行30次，我們采用的度量指標分別為GD和算法運行時(shí)間。世代距離指標(GD)，是度量算法所得Pareto前端與真實(shí)前端之間的距離。其數學(xué)表達式如下式所示：
(4)
其中，，n為個(gè)體數目，是中第個(gè)個(gè)體的目標函數向量與中最近個(gè)體間的歐氏距離。GD值越小，所求得的前端就越接近真實(shí)前端，解集的收斂性就越好。運行時(shí)間則是算法的跑完相同進(jìn)化代數所需要的時(shí)間，時(shí)間越短說(shuō)明算法運行速度越快，本文中涉及到的幾種算法運行代數均為1000代。
表1給出本文算法與兩種對比算法運行6測試問(wèn)題的結果。
CTP2、CTP7是尋找離散的幾個(gè)線(xiàn)段，CTP3、CTP4兩個(gè)問(wèn)題要尋找的Pareto前端都是離散的端點(diǎn)，CTP5是離散點(diǎn)和線(xiàn)段的組合，CTP6問(wèn)題是尋找連續的直線(xiàn)。從表中我們可以看出幾種算法對于處理CTP2問(wèn)題都有不錯的結果，都可以很好地找到幾個(gè)離散端點(diǎn)。對于CTP3和CTP4問(wèn)題由于測試函數難度的加大，算法[3]已不能很好地找出真實(shí)Pareto前端所在位置，而NSGA-II、本算法還能找到真實(shí)Pareto前端所在區域，不過(guò)已經(jīng)無(wú)法做到很精準的定位Pareto前端的位置。對于CTP5，幾種算法在找離散點(diǎn)的能力都很不錯。對于CTP6問(wèn)題幾種算法都找到了Pareto前端，只是均勻性稍有差異。CTP7問(wèn)題，除了算法[3]之外也都很好的找到了前端所在區域。
4 總結與展望
本文算法用于處理約束多目標優(yōu)化問(wèn)題，在設計上借鑒了agent-based模型，更加注意種群中個(gè)體對整個(gè)種群的影響，通過(guò)進(jìn)行自我更新，鄰里協(xié)作與鄰里競爭等操作來(lái)改變個(gè)體的基因編碼，從而改變了整個(gè)種群的進(jìn)化方向進(jìn)化速度，共同朝著(zhù)真實(shí)的Pareto前端進(jìn)行進(jìn)化。并且本算法融入了量子計算，使得程序可以更高效更快捷更準確的去尋找最優(yōu)解。在和現有的幾種算法的對比上體現出了算法的優(yōu)勢，在保證精度值的基礎上減少了大量的程序運行時(shí)間。不過(guò)提高算法的精度仍然是之后研究的重點(diǎn)。如何更好地處理種群中個(gè)體之間的關(guān)系是我們今后需要進(jìn)一步做的工作。
【量子進(jìn)化算法用于求解約束多目標優(yōu)化問(wèn)題的探析】相關(guān)文章：
量子通信技術(shù)12-31
優(yōu)化營(yíng)商環(huán)境問(wèn)題整改報告12-03
幸福的約束作文11-21
進(jìn)化論作文08-04
人類(lèi)的進(jìn)化作文03-06
用于表白的情書(shū)10-10
用于表白的情書(shū)11-09
幸福的約束作文(15篇)11-24
幸福的約束作文15篇11-26