具有学习机制的多目标蚁群算法及其应用研究

现实世界存在大量的多目标优化问题。现有研究表明，蚁群算法可为求解这类问题提供有竞争力的方案。然而，现有蚁群算法的多样化机制和强化机制不能很好地适用于多目标优化问题，信息素和启发信息的集结还缺少理论指导，且算法有效性尚未有理论分析。以上因素严重制约了多目标蚁群算法的发展和实际应用。本项目拟通过系统分析影响多样性和强化性的各个因素，建立有效的多样化机制和强化机制，并建立依据搜索状态选取这些机制的初始规则；通过学习不断完善选取规则，增强算法的适应性；通过研究多属性决策，为合理集结信息素和启发信息提供理论指导与方法。本项目将建立一种具有学习机制的多目标蚁群算法，证明算法的收敛性并估计计算时间，为算法有效性提供理论依据，并将所提出的算法应用于特征选择等多目标优化问题，为解决这类问题提供有效方案。本项目的成功实施，将为多目标优化、多属性决策及随机优化算法的研究提供新的思路和方法。

现实世界存在着大量的多目标优化问题。本项目针对多目标蚁群算法进行研究，.提出利用“分解”的想法先分解多目标问题得到子问题，再利用子问题的启发信息；提出了“分群共享信息素矩阵”，即依据人工蚂蚁的权重对蚁群聚类得到一定数量的子蚁群，每个子蚁群共享信息素矩阵。提出了一种“边搜索边学习”机制，在构造解时，每个人工蚂蚁首先集结对应的启发信息和信息素，以及对应子问题的当前最优解信息，再依据轮盘赌规则概率地选取解元素，直到得到一个解。本项目提出了一种新的多目标蚁群算法并在多目标背包和多目标旅行商问题上测试。相关论文已经被国际权威期刊IEEE Transactions on Systems man and cybernetic-Part B录用。课题组共发表SCI论文7篇，EI期刊论文3篇。.