《面向動態多目標最佳化的量子Memetic計算策略與算法研究》是依託湖南大學，由李智勇擔任項目負責人的面上項目。
基本介紹
- 中文名：面向動態多目標最佳化的量子Memetic計算策略與算法研究
- 項目類別：面上項目
- 項目負責人：李智勇
- 依託單位：湖南大學
中文摘要,結題摘要,
中文摘要
動態多目標最佳化是科學研究與工程實踐中普遍存在的一類基礎性最佳化問題，其求解算法研究難度大、套用前景廣，目前缺少成熟的計算模型與方法，具有重要的理論研究意義與工程套用價值。本課題將量子衍生進化計算思想與Memetic計算模式相結合，從量子進化計算的機理出發研究解決動態多目標最佳化的新方法，主要研究量子Memetic計算的框架與理論特性、計算策略與算法、複雜環境下的啟發式方法以及並行實現方法，其關鍵思路是利用量子染色體機率表達與依機率集合搜尋的特點，針對動態多目標最佳化問題的時變特徵，設計引導、驅動進化種群主動追蹤時變Pareto最優解集的啟發式進化搜尋策略與機制。項目採用理論分析與算法實驗設計相結合的研究方法，以重要工程套用作為算法實驗測試案例，目標是為動態多目標最佳化問題探索新的求解思路與方法，同時也為解決複雜最佳化問題建立新的進化計算模式與範例，以推進該領域的研究與發展。
結題摘要
動態多目標最佳化（Multi-object Optimization, MOO）是科學研究與工程實踐中普遍存在而又非常重要的一類最佳化難題，具有求解算法研究難度大、套用前景廣、缺少成熟的計算模型與方法、理論研究意義與工程套用價值重大等特點，對它們的研究在學術界與產業界引發了極度關度。本課題受量子衍生進化計算思想與Memetic 計算模式的啟發，結合理論研究與複雜工程套用問題，研究的主要內容與重要結果如下面四個方面所示。 （1）研究結合多種群間捕獲競爭、強化學習機制的多種群Memetic學習策略與進化計算模型，從生物種群的競爭與寫作機制出發提出協同進化動態多目標最佳化計算模型。實驗結果顯示了本研究所提出的計算模型在搜尋結果（Pareto前沿）具有更好的收斂性能和分布特徵。 （2）研究基於CRO、PSO 和ABC等的混合多目標最佳化算法，提出了多個新的多目標最佳化混合計算模型。實驗結果表明我們提出的混合算法相對於一些元啟發式算法，如 FMOPSO, MOPSO, NSGAII 和 SPEA2，無論是在收斂速度、可靠性還是時間複雜上都要占優。 （3）針對複雜動態多目標最佳化問題提出有效的算法與並行計算方法，研究新的Memetic最佳化方法去解決異構雲環境多目標調度最佳化問題，實驗結果表明套用我們所提算法進行異構雲環境能耗和性能多目標調度最佳化，比傳統方法具有更好的計算效率、解集多樣性與收斂性能。 （4）研究基於博弈理論的多目標最佳化策略與方法，採用Stackelberg Game方法去模擬數據中心多個個體之間的層次結構，進而設計出基於雙層最佳化理論的資源管理機制，仿真結果表明，所提的方法在保證不違背服務協定的情況，可以取得更好的節能效果。 項目採用理論分析與算法實驗設計相結合的研究方法，以重要工程套用作為算法實驗測試案例。我們的研究成果為動態多目標最佳化問題探索新的求解思路與方法，同時也為解決複雜最佳化問題建立新的進化計算模式與範例，以推進該領域的研究與發展。
