模糊动态多目标优化及在演化数据聚类中的应用研究

The complexity of dynamic multi-objective optimization problem proposes the new challenge for intelligent optimization method, in many practical problems,the optimal solution of adjacent time has a certain relevance. How to use this feature and build the new optimization model are of great significance for solving practical application problem. How to predict the character of pareto front? How to generate the new pareto set? How to design optimizaiton algorithm? How to deal with the constrat condition and apply the new method for solving practical problems with dynamic multi-objective optimization method are studied in this project.The new framework with fuzzy dynamic multi-objective optimization will be bulit.The dynamic fuzzy prediction method based on statistical theory and the new method for generating new individuals with cloud model is researched for realizing the quickly tracking the optimal solutions. The designing method for dynamic archives with maintaining good diversity and the hybrid population generating method with randomly generating individuals are researched for realizing the adaptively solve the dynamic multi-objective optimizatio problem in complex environment and the prediction with large error. The method for selecting and leading with infeasible solution selection based on fuzzy rules are researched for dealing with the effects of constraint conditions for dynamic multi-objective problems.The hybrid teaching-learning optimization algorithm as the main algorithm for the framework of fuzzy dynamic multi-objective optimization is reserached for proposing the supporting algorithm for it. Finally, the new method is applied to solve the equilibrium problems between the changing of cluster’s number and clusering accuracy in evolutionary data automatic clustering.

动态多目标问题的复杂性对智能优化方法提出了新的挑战，在很多的实际问题中，相邻时刻的最优解具有一定的关联性，如何利用这种特性，建立新的优化模型对解决实际应用问题具有十分重要的意义。项目围绕动态多目标优化中最优解前沿特征预测、新解集生成、优化算法设计、约束处理及方法应用等问题进行研究，构建模糊动态多目标优化新框架。研究基于统计理论的动态模糊预测方法和基于云模型的新个体生成方法，实现最优解的快速跟踪；研究维持多样性的动态档案库构建方法和融入随机初始化的混合群体构造方法，实现复杂环境和预测误差较大时的动态优化问题自适应求解；研究基于模糊规则的不可行解选择和引导方法，处理约束条件对问题的影响；研究混合型“教学”式动态优化算法，将其作为模糊动态多目标优化框架的主体算法，为模糊动态多目标优化提供算法支撑。最后，将新方法应用于解决演化数据自动聚类中类数变化和聚类精度均衡问题。

实际生活和工程领域中的很多问题都可转化成优化问题，且动态广泛存在于这些系统中。如何对动态环境下的最优解的变化进行快速检测并快速跟踪新环境下的最优解，是处理动态优化问题的关键，也是设计动态优化算法工作者的重要目标。由于动态变化的多样性和复杂性，静态优化算法往往不能直接用来解决动态优化问题，因此，设计能解决复杂动态优化问题的智能优化方法，对提高动态优化算法的性能和解决实际的动态优化问题十分重要。本项目主要开展了以下几方面的工作，一是设计高性能智能优化算法。主要研究了基于知识学习的教学式优化和多元信息融合的回溯优化算法，提出了基于多种知识学习、分层结构、变种群数量和结构、动态多子群协同、邻域拓扑搜索的多种教学式优化算法；提出了基于历史信息变异、排斥最差解、小生境技术的多种回溯优化算法。从理论上分析了这些算法的计算复杂性和收敛性，在复杂函数优化、神经网络自动化设计、混沌模型预测等方面取得良好的效果；二是在智能优化算法研究的基础上，开展了基于模糊预测和其它方法进行混合的新型动态优化算法和模型的研究，提出了基于最大熵原理、TS模型和单步预测方法融合的模糊预测方法，对复杂动态过程进行优化和跟踪，建立了适合解决多种动态因素的混合模糊动态优化模型，对一些复杂动态优化问题的解决提供了新的方法；三是针对不同性质的社区检测问题，结合社区检测问题的演化特性，设计了几种融合分解基和逆模型的离散型智能优化算法，建立了几种社区检测模型，为社区检测问题提供了良好的算法支撑，并为大数据环境下的社区微观分析提供了前期检测基础。此外，相关研究成果还拓展到如图像处理、控制器的设计、无线传感网络多跳路由优化设计、数字滤波器设计等领域，为这些领域问题的求解提供了参考。本项目研究成果，丰富了动态智能优化算法的理论体系，提供了新的混合动态优化模型，并为一些实际动态优化问题求解提供了良好的技术支撑，具有重要的理论和实践意义。