基于分布式处理的多目标免疫算法及其在云计算差异化安全的应用

There exist many multiobjective optimization problems in scientific and engineering applications. As they are generally characterized with multimodal, dynamic and highly complex, the optimizing performance and stability of immune algorithm in solving multiobjective optimization problems still need to be improved. Inspired by the information distributed processing mechanism in biological immune system, this project uses a novel decomposition approach to decompose multiobjective optimization problem into multiple optimizing sub-systems, and then explores a novel distributed-parallel mechanism based on the multi-population cooperation in immune algorithm. By using the probability statistics model and clustering analysis of antibody density in distributed populations, it can obtain the maturity degree of the population convergence and adaptively adjust the immune operators. The proposed optimization algorithm can effectively exploit the distributed computing resources and significantly improve the computing efficiency and stability of immune algorithm when solving practical complex applications. At last, this project will apply the proposed algorithm to optimize the multiobjective model of cloud computing differentiated security, which can promote the intelligent applications of cloud computing differentiated security technology. This project is expected to obtain innovation achievements in theoretical research and practical applications, which forms a solid foundation for industrial applications.

科学和工程应用中普遍面临复杂的多目标优化问题。由于其具有多峰值、动态性和高度复杂性等特征，当前免疫算法在求解多目标问题的优化性能和稳定性方面仍有待提高。本项目借鉴生物免疫系统的信息分布式处理机制，通过将多目标问题降维分解成多个优化子系统，探索基于免疫算法的多种群协同分布式并行机制。此外，通过对分布式种群抗体密度进行概率统计和聚类分析，获得种群收敛成熟度，并以此研究分布式种群的免疫算子自适应调整方法。该优化算法有助于充分利用分布式计算资源，将明显提高免疫算法在实际复杂应用问题的计算效率和稳定性。最后，本项目将该优化算法用于求解云计算差异化安全多目标模型，促进云计算差异化安全技术的智能化应用。本项目将在理论研究和实际应用中取得创新成果，为工业应用奠定坚实基础。

在科学和实际工程应用中，普遍面临着同时优化多个相互冲突目标的问题。由于大多数复杂问题具有多峰值、动态变化等特性，当前人工免疫算法求解多目标优化问题的收敛速度和稳定性方面仍有待提高。因此，本项目着重研究增强人工免疫算法的优化性能与稳定性，主要从以下几个方面进行概述：1）本项目提出了一个基于双模块进化的多目标免疫算法。第一个模块由多个子种群组成，各自优化一个目标，从而加快算法的收敛速度；第二个模块由传统多目标免疫算法组成，进一步搜索帕累托前沿，从而扩展种群多样性。2）本项目通过模拟生物免疫系统的信息分布式处理机制，将多目标问题分解成多个优化子系统，并采用多个子种群应用不同进化策略协同优化，实现了基于免疫算法克隆机制的多种群协同分布式优化框架。3）本项目提出了一个新颖的自适应差分方法，用于增强多目标免疫算法的搜索能力。在该差分进化操作中，两个父代分别从当前进化种群和支配种群中选择，提供一个正确的搜索方向，同时根据进化程度和产生子代的成功率来自适应调节交叉率和缩放因子。当采用多个差分进化搜索策略和从基因位（参数变量）上进行重组操作时，可以进一步增强多目标免疫算法的搜索能力。4）本项目将免疫算法与多目标粒子群结合，通过应用免疫算法优化存档中的精英粒子，从而有效地引导粒子进行搜索，加快算法的收敛速度。本项目还扩展了对单目标优化问题的研究，分别对差分进化算法和蜂群算法进行改进，可以应用于多目标算法中的子种群单目标优化模块。最终，本项目进一步探讨了免疫算法的工程应用问题，通过建立安全机制、业务性能和IT资源消耗的多目标优化模型，并采用改进后的经典多目标优化算法进行求解，得出优选参数集动态地驱动差异化安全功能模块。此外，本项目也提出了应用智能算法解决数据分类和图像压缩感知的新方案。总而言之，本项目在多目标智能算法的理论研究和实际应用均取得一定的创新成果，为工业应用奠定坚实基础。