基于分布式自组织的高维多目标进化算法研究及其在云安全调度的应用

This project will study the use of distributed and self-organized evolutionary algorithm to tackle many-objective optimization problems. As the number of optimization objectives is usually larger than three and its search space is huge, evolutionary algorithms often cannot find the solutions with high optimization precision, with fast speed, and even cannot be convergent. This project starts to build the many-objective optimization model from the differentiated security application in cloud platform, and then will study to combine the distributed operating mechanism, self-organized decomposition method, high dimensional evolutionary search operator, and co-evolutionary method with multiple algorithms and populations, which realizes the distributed and self-organized collaborative optimization strategy. Multiple subpopualtions can use their preferred algorithms with the distributed running method and can combine their advantages, in order to accelerate the convergence speed and stability. Regarding the high dimensional search space, this project will study to learn and estimate the true Pareto-optimal front using the machine learning and the probabilistic methods, and then presents the self-organized decomposition method to generate the weight vectors; meanwhile, this project also studies to enhance the search model of evolutionary search operators, which helps to enhance the algorithm's searching efficiency and capability. At last, this project will study to enhance the optimization performance and the stability of distributed and self-organized evolutionary algorithm according to the application characteristics of cloud differentiated security. It is expected to obtain innovation achievements in theoretical research and practical applications of evolutionary algorithms, which builds a solid theoretical foundation for cloud security intelligent scheduling.

本项目拟研究分布式自组织进化算法用于求解高维多目标应用问题。由于目标数目大于3个，且其搜索空间巨大，当前进化算法存在着优化精度不高、求解速度慢、甚至无法收敛等问题。本项目通过构建云计算差异化安全的高维多目标模型，拟探索融合分布式运行机制、自组织分解方法、高维进化搜索算子、多算法多种群协同进化方法实现分布式自组织协同优化策略;多个优化子种群采用优选算法实现分布式运行并优势互补，从而加快算法的收敛速度与稳定性；针对高维搜索空间，本项目研究结合机器学习、概率统计方法在进化过程中学习和估计Pareto最优前沿，并由此生成权重向量实现自组织分解方法，同时通过对进化搜索算子的搜索模式进行改进，提高算法的搜索效率和能力。最终，本项目根据云计算差异化安全实际应用特征，进一步改进分布式自组织进化算法的优化性能和稳定性。本项目将在进化算法的理论研究和实际应用中取得创新成果，为云安全智能调度奠定坚实的理论基础。

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。随着优化目标个数的增加，往往导致问题的决策和目标搜索空间快速扩大，当前进化算法面临着搜索能力不强、收敛压力不足等问题，优化性能严重下降。因此，本项目着重研究高维多目标进化算法的优化性能和稳定性，主要从以下几个方面进行概述：1）本项目提出了一个基于模糊分解的超多目标进化算法。采用模糊预测技术对问题进行分解，各自对子问题进行优化，从而加快算法的收敛速度。同时，模糊分解后提取的权重向量在不同子问题之间共享，扩展搜索帕累托前沿，从而增强种群多样性。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，采用不同的进化策略在多个优化子系统中对种群进行协同优化，实现了基于自适应进化策略的协同分布式优化框架。3）本项目提出了一个新颖的自引导的参考向量策略，通过采用聚类方法从种群中提取出一定数量的参考向量，并利用一种基于角度的密度测量技术进行聚类质心的初始化，以保证可以快速跟踪当前种群的进化状态并拟合帕累托前沿的形状，提升高维多目标进化算法的搜索能力。4）本项目探讨了自适应的算子选择策略，通过对每个操作算子进行公平评估，并采用合适的算子质量指标选择最佳的操作算子，充分有效地利用多个不同算子的优点，能有效增强多目标进化算法在搜索时的自适应能力。最终，本项目进一步探讨了高维多目标进化算法的工程应用问题，设计了一种改进的多目标进化算法用于优化入侵检测中的特征选择，提高了入侵检测的精度和效率。此外，本项目也探讨了基于多目标进化算法的卷积神经网络在雾计算中的部署，设计了改进的MOEA/D算法优化卷积神经网络的检测性能和模型复杂度，得到多样化的卷积神经网络结构，并在不同雾计算节点上部署合适的卷积神经网络。本项目累计发表科研论文56篇，申请了16项安全智能感知、智能应用相关的发明专利及软著，同时获得了4项科研奖励。总而言之，本项目在高维多目标进化算法的理论研究和实际应用均取得一定的创新成果，为工业应用奠定了坚实基础。