面向动态多目标优化的量子Memetic计算策略与算法研究

动态多目标优化是科学研究与工程实践中普遍存在的一类基础性优化问题，其求解算法研究难度大、应用前景广，目前缺少成熟的计算模型与方法，具有重要的理论研究意义与工程应用价值。本课题将量子衍生进化计算思想与Memetic计算模式相结合，从量子进化计算的机理出发研究解决动态多目标优化的新方法，主要研究量子Memetic计算的框架与理论特性、计算策略与算法、复杂环境下的启发式方法以及并行实现方法，其关键思路是利用量子染色体概率表达与"依概率集合搜索"的特点，针对动态多目标优化问题的时变特征，设计引导、驱动进化种群主动追踪时变Pareto最优解集的"启发式进化搜索"策略与机制。项目采用理论分析与算法实验设计相结合的研究方法，以重要工程应用作为算法实验测试案例，目标是为动态多目标优化问题探索新的求解思路与方法，同时也为解决复杂优化问题建立新的进化计算模式与范例，以推进该领域的研究与发展。

动态多目标优化（Multi-object Optimization, MOO）是科学研究与工程实践中普遍存在而又非常重要的一类优化难题，具有求解算法研究难度大、应用前景广、缺少成熟的计算模型与方法、理论研究意义与工程应用价值重大等特点，对它们的研究在学术界与产业界引发了极度关度。本课题受量子衍生进化计算思想与Memetic 计算模式的启发，结合理论研究与复杂工程应用问题，研究的主要内容与重要结果如下面四个方面所示。..（1）研究结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型，从生物种群的竞争与写作机制出发提出协同进化动态多目标优化计算模型。实验结果显示了本研究所提出的计算模型在搜索结果（Pareto前沿）具有更好的收敛性能和分布特征。..（2）研究基于CRO、PSO 和ABC等的混合多目标优化算法，提出了多个新的多目标优化混合计算模型。实验结果表明我们提出的混合算法相对于一些元启发式算法，如 FMOPSO, MOPSO, NSGAII 和 SPEA2，无论是在收敛速度、可靠性还是时间复杂上都要占优。..（3）针对复杂动态多目标优化问题提出有效的算法与并行计算方法，研究新的Memetic优化方法去解决异构云环境多目标调度优化问题，实验结果表明应用我们所提算法进行异构云环境能耗和性能多目标调度优化，比传统方法具有更好的计算效率、解集多样性与收敛性能。..（4）研究基于博弈理论的多目标优化策略与方法，采用Stackelberg Game方法去模拟数据中心多个个体之间的层次结构，进而设计出基于双层优化理论的资源管理机制，仿真结果表明，所提的方法在保证不违背服务协议的情况，可以取得更好的节能效果。..项目采用理论分析与算法实验设计相结合的研究方法，以重要工程应用作为算法实验测试案例。我们的研究成果为动态多目标优化问题探索新的求解思路与方法，同时也为解决复杂优化问题建立新的进化计算模式与范例，以推进该领域的研究与发展。