本发明涉及智能优化算法，具体涉及一种带时滞影响的微生物培养动力学多目标组合配置优化方法。
背景技术：
：考虑多目标组合配置优化模型的一般形式如下：min{O1f1(X),O2f2(X),...,OMfM(X)}s.tgia(X)≥0,ia∈Ihib(X)=0,ib∈EX∈H⋐Rn---(1)]]>式中：(1)Rn是n维欧氏空间；(2)X＝(x1，x2，…，xm，xm+1，…，xn)是一个n维决策向量，其中，前m个变量x1，x2，…，xm是连续实数型变量；后n-m个变量xm+1，…，xn是0、1整数型变量，一个0、1整数型变量又称为一个要素，即对于任意xj∈{xm+1，…，xn}，若xj＝1，则表示第j个要素被选中为该最优组合配置中的一个要素，若xj＝0，则表示第j个要素未被选中；(3)f1(X)，f2(X)，…，fM(X)为M个目标函数，用来表示选择组合配置策略时的M个控制目标要求；(4)O1，O2，…，OM为M个目标函数的优先级，优先级次序要求满足O1>O2>…>OM，即目标函数f1(X)首先要求达到最小，其次是f2(X)，再其次是f3(X)，依次类推，最后要求达到最小的是目标函数fM(X)；(5)表示要素选择时所需满足的第ia个不等式约束条件；I为不等式约束条件编号的集合；(6)表示要素选择时所需满足的第ib个等式约束条件；E为等式约束条件编号的集合；(7){fi(X)，i＝1，2，…，M}、{ia∈I}、{ib∈E}的数学表达式没有限制条件；(8)H为搜索空间，又称解空间；(9)计算时，决策向量X也称为试探解；若试探解X不满足约束条件，则令f(X)＝+∞。多目标组合配置优化模型式(1)常用来求解井下通风系统通风设施配置优化问题、货位配置优化问题、资源配置优化问题、产品配置优化问题、生产线配置优化问题，等等。多目标组合配置优化模型式(1)中的f(X)、的数学表达式没有限制条件，传统的基于函数连续性和可导性的数学优化方法无法解决该问题。目前，求解多目标组合配置优化模型(1)的常用方法是智能优化算法。李梅娟、陈雪波在文献《Pareto遗传算法在货位配置中的应用研究，控制工程，2006年，第13卷，第2期，第138-141页》中建立了货位配置优化问题的数学模型，提出了采用Pareto遗传算法解决多目标组合优化问题，可得到Pareto最优解集。此算法包括5个基本算子：选择、变异、交叉、小生境技术、Pareto集合过滤器。轩辕思思、姜兆亮、李岩、李兆前在文献《产品配置的模糊求解及优化算法研究，武汉理工大学学报，2009年，第31卷，第13期，第95-98页》中，为了解决大规模定制生产模式下复杂产品模糊配置的求解问题，提出了以基于实例推理技术(CBR)为基础的产品配置模糊求解算法，及基于多目标遗传算法的产品配置优化算法。两算法分别对应于产品配置过程中的部件配置与零件配置的求解内容，设计了判断新旧配置实例相似度的数学模型，并基于多目标遗传算法求解以成本、时间和库存为多个优化目标的零件配置优化求解算法，这2部分求解过程共同完成产品配置求解。郑炜、曹立鑫、李隆俊、李宁在文献《基于MPC编码方式的软件产品线配置优化算法研究，西北工业大学学报，2016年，第34卷第1期，第176-182页》中认为软件产品线配置问题是一个多目标选择难题，借助于遗传算法的全局搜索能力可以得到成本低、耗时少、功能健全的最优方案解。在该方法中，提出了一种新型编码方式——MPC编码，在强制编码的基础上，通过节点子父关系进一步缩小编码范围，更加有效提高求解效率，从而获取最优方案解。谭光兴、屈文建在文献《基于Pareto遗传算法的高等教育资源优化配置，科技管理研究，2010年第11期，第70-74页》中，根据Pareto标准，设计了一个基于Pareto最优概念的多目标遗传算法，利用群体搜索策略和群体间个体之间的信息交换在解决多目标优化问题上的两大优势，实现了利用Pareto遗传算法进行高等教育资源优化配置的分析与计算，为最终达到高等教育资源配置的优化提供了一种技术手段。魏巍、谭建荣、冯毅雄、魏喆在文献《基于改进的非支配排序遗传算法的模块化产品多目标配置优化研究，计算机集成制造系统，2007年，第13卷第11期，第2092–2096页》中，应用模糊数学评价理论与最小二乘法，构建了以产品性能、成本及出货期为目标函数的配置优化数学模型，并采用基于改进的非支配排序遗传算法对三者进行并行优化。由此获得一系列基于Pareto最优集的配置方案来满足不同客户对产品性能、成本及出货期的要求，解决了客户需求侧重点对产品设计结果的适应性处理。轩辕思思、姜兆亮、李岩、李兆前在文献《基于双层配置体系的产品配置算法研究，计算机集成制造系统，2009年，第15卷，第5期，第893-899页》中，提出了基于实例重用的产品配置模糊求解技术，设计了基于多目标遗传算法的产品配置优化算法。将产品配置过程划分为部件配置与零件配置两部分，利用典型条件概率解决产品配置领域的部件模糊配置问题，设计了基于非支配排序遗传算法，求解以成本、时间和库存为优化目标的零件配置，并结合两者建立完整的产品配置求解算法体系。杨启、黄小勇、谭家华、王呈方在文献《基于最优Pareto集的船舶出坞拖轮配置优化，中国造船，2005年，第46卷，第2期，第69-74页》中，采用多目标遗传算法求解船舶出坞拖轮配置优化模型的近似Pareto最优解集。针对遗传算法只能优化单目标、无约束问题，通过引入罚函数除去了船舶出坞中多变量非线性有约束问题的约束限制。利用加权和方法处理船舶出坞拖轮配置多目标优化问题，并按专家决策方法确定各目标函数的权系数。拖轮配置优化结果表明了多目标遗传算法可为船坞主管进行船舶出坞拖轮配置决策提供了充分的依据。周永华、陈禹六在文献《结合性能评价的多目标经营过程资源配置优化，计算机集成制造系统-CIMS，2005年，第10卷第4期，第410-414页》中，建立了时间、成本和质量的多目标经营过程资源配置优化模型，采用混合型非受支配排序遗传算法求解这类决策变量较多的多目标优化问题，大致给出了进化过程所产生的Pareto全集的聚类中心。以劳动力密集型的船舶并行建造为例，说明了经营资源配置质量的解析描述和混合型非受支配排序遗传算法，对于动态资源配置是有效的。戢晓峰、覃文文在文献《考虑局部排队延误的VMS选址双层规划模型，交通运输系统工程与信息，2014年，第14卷，第6期，第194-200页》中，用MonteCarlo模拟技术刻画路网状态的随机性，优先考虑在交通网络瓶颈路段设置可变信息板待选点，建立了多目标优化可变信息板选址双层规划模型。上层模型为基于不确定风险决策最小和诱导效益最大的双目标规划模型，下层模型为考虑局部网络有排队延迟现象的随机用户平衡模型。采用增广Lagrange对偶算法与相继平均算法组合求解下层模型，采用非劣排序遗传算法-II求解整个双层规划模型。算例结果表明，在可变信息板资金预算约束下，非劣排序遗传算法-II能够求解可变信息板选址的多目标优化问题。张勇德、黄莎白在文献《一种改进的基于约束支配的多目标进化算法，计算机工程，2004年，第30卷第1期，第19-20页》中，将多目标进化算法以及约束支配的概念结合起来，重新定义了种群个体间的支配关系，避免了罚函数法因惩罚系数不合适而出现优化结果为非可行解的情况。并且结合惩罚值改进了选择算子和适应值分配机制,避免出现早熟收敛。同时，采用精英策略，让精英个体参与遗传操作，加快算法收敛速度。综上所述，现有技术只能解决维数不高的多目标非组合配置优化问题，对维数很高的大规模多目标组合配置优化问题的求解存在困难。技术实现要素：为了克服上述现有技术存在的问题，本发明的目的在于提供一种带时滞影响的微生物培养动力学多目标组合配置优化方法，简称MODO_TDCFC方法；MODO_TDCFC方法采用与现有群智能算法完全不同的设计思路，提出了将具有时滞影响的微生物脉冲培养动力学模型转化为能求解多目标组合配置优化问题的一般方法；构造出的算子可以充分反映微生物培养系统中的营养液和有毒物质对微生物种群的影响以及微生物种群之间的相互作用关系，从而体现具有时滞影响的微生物脉冲培养动力学理论的基本思想；MODO_TDCFC方法具有全局收敛性。为了达到上述目的，本发明采用如下技术方案：一种带时滞影响的微生物培养动力学多目标组合配置优化方法，简称MODO_TDCFC方法，设要解决的多目标组合配置优化模型的一般形式如下：式中：(1)Rn是n维欧氏空间；(2)X＝(x1，x2，…，xm，xm+1，…，xn)是一个n维决策向量，其中，前m个变量x1，x2，…，xm是连续实数型变量；后n-m个变量xm+1，…，xn是0、1整数型变量，一个0、1整数型变量又称为一个要素，即对于任意xj∈{xm+1，…，xn}，若xj＝1，则表示第j个要素被选中为该最优组合配置中的一个要素，若xj＝0，则表示第j个要素未被选中；(3)f1(X)，f2(X)，…，fM(X)为M个目标函数，用来表示选择组合配置策略时的M个控制目标要求；(4)O1，O2，…，OM为M个目标函数的优先级，优先级次序要求满足O1>O2>…>OM，即目标函数f1(X)首先要求达到最小，其次是f2(X)，再其次是f3(X)，依次类推，最后要求达到最小的是目标函数fM(X)；(5)表示要素选择时所需满足的第ia个不等式约束条件；I为不等式约束条件编号的集合；(6)表示要素选择时所需满足的第ib个等式约束条件；E为等式约束条件编号的集合；(7){fi(X)，i＝1，2，…，M}、{ia∈I}、{ib∈E}的数学表达式没有限制条件；(8)H为搜索空间，又称解空间；(9)计算时，决策向量X也称为试探解；若试探解X不满足约束条件，则令f(X)＝+∞；将多目标组合配置优化模型式(1)转换成如下单目标组合配置优化模型：min{F(X)=Σk=1MOkfk(X)}s.t.gia(X)≥0,ia∈Ihib(X)=0,ib∈EX∈H⋐Rn---(2)]]>式中，Ok＝10M-k；k为目标函数的编号；算法场景设计考虑一个微生物培养系统E，其中生活有N个微生物种群，即P1，P2，…，PN；每个微生物种群不但以培养系统E中的营养液为食，而且还以生活在培养系统E中的K个其它微生物种群为食；进行微生物种群培养时，每隔一段时间向培养系统E中注入新鲜营养液，并从中不断地移去过剩的培养液；微生物摄入的营养液不会立即就转化为微生物，也就是说，在从营养液向微生物转化的过程中需要一个时滞过程；随着营养液的加入，同时有害物质也随之流入。为了控制有害物质对微生物的影响，必须评估种群所受有害物质的损害程度。该培养系统E的运行可以通过对两个要素的分别控制来实现：(1)限制性营养物质浓度S，如碳源或氮源；(2)流量Q，即营养液每小时流过该培养系统E的体积。营养液的限制性营养物质浓度S的变化会导致N个微生物种群的生长发生变化。对于微生物种群Pi，用其特征表示就是Pi＝(fi,1，fi,2，…，fi,n)，其中fi,j就是微生物种群Pi的第j个特征，n为每个微生物种群的特征数，i＝1，2，…，N，j＝1，2，…，n；培养系统E中的营养液的限制性营养物质浓度对微生物种群Pi的影响就表现在对其特征的影响上，而且这种影响是随时间随机变化的。下面将上面的论述与多目标组合配置优化模型式(2)的全局最优解的求解过程关联起来。在多目标组合配置优化模型式(2)的搜索空间H中随机选择N个试探解，即H＝{X1,X2,…,XN}，其中Xi＝(xi,1,xi,2,…,xi,n)，i＝1，2，…，N；搜索空间H与培养系统E相对应，该培养系统E中N个微生物种群就与多目标组合配置优化模型式(2)的N个试探解一一对应，即Pi与Xi一一对应，i＝1，2，…，N；更进一步，即微生物种群Pi的特征fi,j与试探解Xi的变量xi,j相对应。综上可知，微生物种群与试探解在概念上完全等价，以后不再加以区分。微生物种群Pi吸收营养后，其生长状态就会发生变化，将这种变化影射到多目标组合配置优化问题的搜索空间H，就相当于试探解Xi从一个空间位置转移到另外一个空间位置。为简单起见，将一个空间位置称为一个状态，并用其下标表示。假设微生物种群Pi的当前状态为a，即相当于在搜索空间H中所处的位置为Xa。若微生物种群Pi吸收营养后，从当前状态a变化到新状态b，即相当于在搜索空间H中从当前所处的位置Xa转移到新位置Xb。按多目标组合配置优化模型式(2)计算，若f(Xa)>f(Xb)，表明新位置Xb比原位置Xa更优，则认为微生物种群Pi的生长能力强。反之，若f(Xa)≤f(Xb)，表明新位置Xb比原位置Xa更差，或没有什么差别(因新位置Xb与原位置Xa的目标函数值相等，即f(Xa)＝f(Xb))，则认为微生物种群Pi的生长能力弱。生长能力强的微生物种群，能够得到更高的概率继续生长；而生长能力弱的种群，则可能停止生长。微生物种群Pi的生长能力强弱用微生物生长能力指数MGI(MicroorganismGrowthIndex，MGI)来表示，MGI指数对应于优化问题式(2)的目标函数值。好的试探解对应具有较高MGI指数的微生物种群，即生长能力强的种群，差的试探解对应具有较低MGI指数的微生物种群，即生长能力弱的微生物种群。对于多目标组合配置优化模型式(2)，微生物种群Pi的MGI指数计算方法为：在培养系统E中，一方面，各微生物种群因相互争夺营养液而存在相互影响，这种影响必然会体现在种群特征间的相互作用上；另一方面，一个微生物种群因以其它一些微生物种群为食，这些被食的微生物种群的一些特征必然也会融入到该微生物种群的一些特征中。这些相互影响影射到多目标组合配置优化问题的搜索空间，就是某试探解与其它若干试探解存在相互作用。MODO_TDCFC方法就是采用上述这些搜索策略来实现对多目标组合配置优化模型式(2)的全局最优解的搜索。具有时滞影响的混杂食物链微生物脉冲培养动力学模型考虑一个微生物培养系统E，在该培养系统E中共有N种微生物种群P1，P2，…，PN，其中，每个微生物种群不但以营养液为食，而且还以培养系统E中L个其它微生物种群为食；此外，微生物种群还受有毒物质的影响；在时期t，微生物种群P1，P2，…，PN的浓度分别为y1(t)，y2(t)，…，yN(t)，显然yi(t)≥0，i＝1，2，…，N；营养液以流量为Q流入到该培养系统E中，其限制性营养物质的浓度为S0；该培养系统E的具有时滞影响的混杂食物链微生物脉冲培养动力学模型如下：dS(t)dt=-QS(t)-Σi=1NC0μ0S(t)K0+S(t)yi(t)dyi(t)dt=e-Qτμ0S(t-τ)K0+S(t-τ)yi(t-τ)-Σs∈MS(t)α0γ0ys(t)W0+ys(t)-(Q+rc(t))yi(t),i=1,2,...,Ndc(t)dt=-Qc(t)t≠kTS(t+)=S(t)+S0yi(t+)=yi(t),i=1,2,...,Nc(t+)=c(t)+q0t=kTS(0+)≥0;yi(0+)≥0,i=1,2,...,N;c(0+)≥0---(4)]]>式中：C0为微生物种群对营养液的消耗率；μ0为微生物种群的相对增长系数；S(t)为时期t营养液的营养浓度；MS(t)为时期t微生物种群Pi捕获到的K个微生物种群的编号的集合；yi(t)为时期t微生物种群Pi的浓度；K0、W0、α0、γ0为与微生物种群生长相关的常数；c(t)为培养系统E中的有害物质浓度，c(t)≥0；r为微生物因有害物质而死亡的减少率，r>0；q0为每个营养液投放时期脉冲输入的有害物质的数量，T为营养液的脉冲投放周期；常数τ为营养液向微生物转化的迟滞时间；t+表示营养液投放时间点；k为正整数，k＝1，2，…。在时期t，微生物种群Pi在所有微生物种群中所占的比例ri(t)为ri(t)=yi(t)Σs=1Nys(t),i=1,2,...,N---(5)]]>式中，ys(t)为时期t微生物种群Ps的浓度。ri(t)又称为微生物种群Pi的占比。一个微生物种群的占比越大，被其它微生物种群捕食的概率也越大。记时期t参数Q、C0、K0、μ0、α0、γ0、W0、r、q0的取值分别为Qt、rt、为方便计算，将式(4)改为离散递推形式，即若t≠kT，则S(t+1)=S(t)-QtS(t)-Σi=1NC0tμ0tS(t)K0t+S(t)yi(t)c(t+1)=c(t)-Qtc(t)---(6)]]>yi(t+1)=yi(t)+e-Qtτμ0tS(t-τ)K0t+S(t-τ)yi(t-τ)-Σs∈MS(t)α0tγ0tys(t)W0t+ys(t)-(Qt+rtc(t))yi(t),i=1,2,...,N---(7)]]>若t＝kT，则S(t+1)=S(t)+S0tc(t+1)=c(t)+q0t---(8)]]>yi(t+1)＝yi(t)，i＝1，2，…，N(9)式(6)和(7)中各参数的含义及其取值限制条件参见表1。表1具有时滞影响的混杂食物链微生物脉冲培养动力学模型参数的取值限制策略特征种群集合生成方法时期t，当前微生物种群为Pi，特征种群集合生成方法如下：(1)产生被食微生物种群集合MS(t)。时期t，微生物种群Pi以其它K个微生物种群为食，即从Pi不包括在内的N-1个微生物种群中以r1(t)，r2(t)，…，rN(t)为概率分布采用轮盘赌的方法随机选择K个微生物种群，这些微生物种群的编号形成集合MS(t)，不妨设MS(t)＝{i1，i2，…，iK}，ik为微生物种群的编号，k＝1，2，…，K。(2)产生30％强壮微生物种群的集合FMt、20％强壮微生物种群的集合GMt、10％强壮微生物种群的集合HMt。时期t，先从N个微生物种群中随机挑选出L个微生物种群，这些微生物种群的MGI指数比当前微生物种群Pi的MGI指数高30％，形成集合其中s1，s2，…，sL是这些微生物种群的编号；再从剩下的N-L个微生物种群中随机挑选出L个微生物种群，这些微生物种群的MGI指数比当前微生物种群Pi的MGI指数高20％，形成集合其中g1，g2，…，gL是这些微生物种群的编号；最后从剩下的N-2L个微生物种群中随机挑选出L个微生物种群，这些微生物种群的MGI指数比当前微生物种群Pi的MGI指数高10％，形成集合其中h1，h2，…，hL是这些微生物种群的编号。(3)产生15％强壮微生物种群的集合ASt、15％虚弱微生物种群的集合BSt、普通微生物种群的集合CSt。时期t，从N个微生物种群中随机挑选出L个强壮微生物种群，其MGI指数高于当前微生物种群Pi的MGI指数的15％，形成强壮微生物种群集合其中a1，a2，…，aL是这些微生物种群的编号；再从N个微生物种群中随机挑选出L个虚弱微生物种群，其MGI指数低于当前微生物种群Pi的MGI指数的15％，形成虚弱微生物种群集合其中b1，b2，…，bL是这些微生物种群的编号；最后从剩下的N-2L个微生物种群中随机挑选L个普通微生物种群，其MGI指数与当前微生物种群Pi的MGI指数没有关系，形成普通微生物种群集合其中c1，c2，…，cL是这些微生物种群的编号。微生物种群演化算子设计MODO_TDCFC方法利用具有时滞影响的混杂食物链微生物脉冲培养动力学模型来构造演化算子实现微生物培养系统E与微生物种群之间信息交换以及微生物种群与微生物种群之间的信息交换，进而实现对多目标组合配置优化问题的解空间H的搜索。(1)特征吸收算子。该算子描述的是微生物种群Pi与其它K个微生物种群之间的营养供给关系。将被食种群集合MS(t)中的微生物种群的一个随机选择的特征fs,j，s∈MS(t)，传给微生物种群Pi，使微生物种群Pi获得生长，即式中，xs,j(t)为时期t微生物种群Ps的第j个特征的状态值，也就是变量xs,j在时期t的取值；vi,j(t+1)为时期t+1微生物种群Pi的第j个特征的状态值，也就是变量xi,j在时期t+1的取值；most(MS(t)，j)的含义是：当集合MS(t)中第j个特征的状态值为1的微生物种群的个数大于第j个特征的状态值为0的微生物种群个数时，most(MS(t)，j)＝1；当集合MS(t)中的第j个特征的状态值为1的微生物种群的个数小于第j个特征的状态值为0的微生物种群的个数时，most(MS(t)，j)＝0；当集合MS(t)中的第j个特征的状态值为1的微生物种群的个数等于第j个特征的状态值为0的微生物种群的个数时，most(MS(t)，j)的值在0或1两者之中随机选取；λi，ρs为常数，计算时取ηi＝Rand(0.4，0.6)，βs＝Rand(-1，1)。表1中，Rand(A，B)表示在[A，B]区间产生一个均匀分布随机数，A和B为根据所要求解的优化问题特点而给定的常数，A≤B。(2)优势攫取算子。该算子描述的是微生物种群与微生物种群之间的主动相互作用关系。让30％强壮微生物种群FMt、20％强壮微生物种群GMt、10％强壮微生物种群HMt中的3L个强壮微生物种群的特征sl∈{s1，s2，…，sL；g1，g2，…，gL；h1，h2，…，hL}，所对应的平均状态值传给微生物种群Pi的对应特征fi,j，使其生长能力增强。对于当前微生物种群为Pi，进行优势攫取的特征为fi,j，则若j≤m,则vi,j(t+1)=0.9xd1,j(t)+0.5(xd2,j(t)-xd3,j(t))|FMt|>0xi,j(t)|FMt|=00<Rant(0,1)≤1/20.9xe1,j(t)+0.5(xe2,j(t)-xe3,j(t))|GMt|>0xi,j(t)|GMt|=01/2<Rant(0,1)≤3/40.9xp1,j(t)+0.5(xp2,j(t)-xp3,j(t))|HMt|>0xi,j(t)|HMt|=03/4<Rant(0,1)≤1---(11)]]>若j>m,则vi,j(t+1)=great(FMt,i,j)|FMt|>0xi,j(t)|FMt|=00<Rant(0,1)≤1/2great(GMt,i,j)|GMt|>0xi,j(t)|GMt|=01/2<Rant(0,1)≤3/4great(GMt,i,j)|HMt|>0xi,j(t)|HMt|=03/4<Rant(0,1)≤1---(12)]]>式中：d1，d2，d3是从集合FMt中随机选取出来的，且满足d1≠d2≠d3；e1，e2，e3是从集合GMt中随机选取出来的，且满足e1≠e2≠e3；p1，p2，p3是从集合HMt中随机选取出来的，且满足p1≠p2≠p3；great(A，i，j)的含义是：式中，则a，b，c是从集合A中随机选取的三个不同种群的编号，即满足a≠b≠c。(3)渗透混杂算子。该算子描述的是微生物种群与微生物种群之间的被动相互作用关系。对于当前微生物种群为Pi，让15％强壮微生物种群的集合ASt、15％虚弱微生物种群的集合BSt、普通微生物种群的集合CSt中的3L个微生物种群的特征sl∈{a1，a2，…，aL；b1，b2，…，bL；c1，c2，…，cL}，所对应的状态值经过混杂后传给微生物种群Pi的对应特征fi,j，则若j≤m,则若j>m,则式中，λi，ρs为常数，计算时取λi＝Rand(0.6，0.8)，ρs＝Rand(0.8，0.9)。(4)毒素算子。该算子描述的是生态环境系统中的有毒物质对微生物种群的毒害作用，这种毒害作用通过微生物种群相互传递。对于当前微生物种群Pi来说，有vi,j(t+1)=c(t)(xg1,j(t)+xg2,j(t))+(1-c(t))xg3,j(t)j≤mgreat(A,i,j)j>m---(15)]]>式中：g1，g2，g3是从集合A＝{1，2，…，N}中随机选取出来的，且满足g1≠g2≠g3。(5)生长算子。该算子描述的是微生物种群的生长，即式中：Xi(t)＝(xi,1(t),xi,2(t),…,xi,n(t))；Vi(t+1)＝(vi,1(t+1),vi,2(t+1),…,vi,n(t+1))；MGI(Xi(t))和MGI(Vi(t+1))依据式(3)计算。MODO_TDCFC方法(S1)初始化：a)令t＝0；按表2初始化MODO_TDCFC方法涉及到的所有参数；表2参数初始化方法b)随机确定N个初始微生物种群：{X1(0)，X2(0)，…，XN(0)}；c)随机确定N个初始微生物种群的初始浓度：{y1(0)，y2(0)，…，yN(0)}；d)随机确定培养系统E的营养液初始浓度S(0)；(S2)执行下列操作：(S3)令时期t从0到G，循环执行步骤(S4)～步骤(S25)；(S4)Qt＝Rand(Q0，Q1)；rt＝Rand(r0，r1)；(S5)计算：(S6)按式(5)计算r1(t)，r2(t)，…，rN(t)；(S7)若t不能被T整除，则按式(6)计算S(t+1)、c(t+1)；若t能被T整除，则按式(8)计算S(t+1)、c(t+1)；(S8)令i从1到N，循环执行下述步骤(S9)～步骤(S22)；(S9)以r1(t)，r2(t)，…，rN(t)为概率分布采用轮盘赌的方法随机选择K个微生物种群，但种群Pi不包括在内，这些种群的编号形成集合MS(t)；(S10)若t不能被T整除，则按式(7)计算yi(t+1)；若t能被T整除，则按式(9)计算yi(t+1)；(S11)令j从1到n，循环执行步骤(S12)～步骤(S20)；(S12)p＝Rand(0,1)，其中p为微生物种群的生长因特征吸收、优势攫取和渗透混杂而受到影响的实际概率；(S13)若p<E0，则执行步骤(S14)～步骤(S18)；否则，转步骤(S19)；(S14)计算：q＝Rand(0,1)；其中q为特征吸收算子、优势攫取算子和渗透混杂算子被执行的实际概率；(S15)若q≤1/4，则按式(10)执行特征吸收算子，得到vi,j(t+1)；(S16)若1/4<q≤2/4，则当j≤m时，按式(11)执行优势攫取算子，得到vi,j(t+1)；当j>m时，按式(12)执行优势攫取算子，得到vi,j(t+1)；(S17)若2/4<q≤3/4，则当j≤m时，按式(13)执行渗透混杂算子，得到vi,j(t+1)；当j>m时，按式(14)执行渗透混杂算子，得到vi,j(t+1)；(S18)若3/4<q≤1，则按式(15)执行毒素算子，得到vi,j(t+1)；(S19)若p≥E0，则令vi,j(t+1)＝xi,j(t)；(S20)令j＝j+1，若j≤n，则转步骤(S12)，否则转步骤(S21)；(S21)按式(16)执行生长算子，得到Xi(t+1)；(S22)令i＝i+1，若i≤N，则转步骤(S9)，否则转步骤(S23)；(S23)若新得到的全局最优解X*t+1与最近一次获得的全局最优解之间的误差满足最低要求ε，则转步骤(S26)，否则转步骤(S24)；(S24)保存新得到的全局最优解X*t+1；(S25)令t＝t+1，若t≤G，则转步骤(S4)，否则转步骤(S26)；(S26)结束。有益效果本发明和现有技术相比，具有如下优点：1、本发明公开的是一种具有全局收敛性的新型优化方法，即MODO_TDCFC方法。MODO_TDCFC方法假设在一个微生物培养系统中培养有多个微生物种群，每个微生物种群不但以该培养系统中的营养液为食，而且还以该培养系统中若干个其它微生物种群为食；每隔一段时间向该培养系统注入营养液；微生物摄入的营养液不会立即就转化为微生物，而是需要一个时滞过程；随着营养液的加入，同时有害物质也随之流入；微生物种群的生长状态通过输入的营养液流量及其限制性营养物质的浓度进行调控；由于在同一个培养系统中培养，微生物种群之间存在主动和被动相互作用关系；有害物质对微生物种群的生长也有影响；定期注入到该培养系统中的营养液及其所含有的有毒物质会突然增加该培养系统中的营养液的浓度和有毒物质的浓度，从而会突然加大对微生物种群的影响；利用上述特点并结合混杂食物链微生物动力学理论，构造出了特征吸收算子、优势攫取算子、渗透混杂算子和毒素算子；微生物种群的生长变化相当于在多目标组合配置优化问题的搜索空间中的试探解从一个位置转移到另外一个位置；营养液及其所含有的有毒物质的浓度的脉冲增加会导致微生物种群的数量的突然变化，此相当于搜索空间的试探解从一个位置猛烈跳到另外一个位置；生长能力强的种群，能够得到更高的概率继续生长；而生长能力弱的种群，则可能停止生长；一个微生物种群的强壮程度采用MGI指数进行描述。本方法具有搜索能力强和全局收敛性的特点，为多目标组合配置优化问题的快速求解提供了一种解决方案。2、MODO_TDCFC方法的搜索能力很强。MODO_TDCFC方法包括特征吸收算子、优势攫取算子、渗透混杂算子和毒素算子，这些算子大幅增加了其搜索能力。3、模型参数取值简单。采用随机方法确定MODO_TDCFC方法中特征吸收算子、优势攫取算子、渗透混杂算子和毒素算子中的相关参数，既大幅减少了参数输入个数，又使模型更能表达实际情况。4、MODO_TDCFC方法所涉及的微生物培养过程充分体现了多种微生种群的浓度、营养液投放周期、营养液投放量及其限制性营养物质的浓度、营养液定期投放量中含有的有毒物质浓度、营养液向微生物转化的迟滞时间等参数的复杂变化情况。5、MODO_TDCFC方法中涉及的特征吸收算子、优势攫取算子、渗透混杂算子和毒素算子是通过利用具有时滞影响的混杂食物链微生物脉冲培养动力学理论以及微生物种群间的相互作用关系来进行构造的，完全不需要与要求解的多目标组合配置优化问题相关，因此MODO_TDCFC方法很好的普适性。6、营养液及其所含有的有毒物质的浓度的脉冲增加会导致搜索空间的试探解从一个位置猛烈跳到另外一个位置，这种性质有利于使搜索跳出局部最优解陷阱。7、MODO_TDCFC方法考虑到了具有时滞影响的混杂食物链微生物种群培养过程中外界因素的不连续间断介入的现象。8、MODO_TDCFC方法所涉及的微生物种群之间的相互作用丰富多彩，体现出了培养系统中常见的微生物种群间的复杂捕食-被食关系和微生物种群间的竞争关系。9、MODO_TDCFC方法充分体现了微生物种群对营养液的消耗率、微生物种群的相对增长系数、营养液的营养浓度、微生物种群捕获到的其它微生物种群数、微生物种群的浓度、微生物种群生长特性系数、培养系统中的有害物质浓度、微生物因有害物质而死亡的减少率、每个营养液投放时期脉冲输入的有害物质的数量，营养液的脉冲投放周期、营养液向微生物转化的迟滞时间等参数的复杂变化情况。10、演化过程具有Markov特性。从特征吸收算子、优势攫取算子、渗透混杂算子和毒素算子的定义知，任何一新试探解的生成只与该试探解的当前状态有关，而与该试探解以前是如何演变到当前状态的历程无关。11、演化过程具有“步步不差”特性。从生长算子的定义便知。12、适于求解高维多目标组合配置优化问题。在进行迭代计算时，每次只处理微生物种群特征数的1/1000～1/100，从而使计算时间复杂度大幅降低，本方法适于求解高维多目标组合配置优化问题。13、本发明MODO_TDCFC方法的特点如下：1)时间复杂度较低。MODO_TDCFC方法的时间复杂度计算过程如表3所示，其时间复杂度与演化时期数G、微生物种群数N、变量个数n以及各算子的时间复杂度以及其他辅助操作相关。表3MODO_TDCFC方法的时间复杂度计算表2)MODO_TDCFC方法具有全局收敛性。从特征吸收算子、优势攫取算子、渗透混杂算子和毒素算子的定义知，任何一新试探解的生成只与该试探解的当前状态有关，而与该试探解以前是如何演变到当前状态的历程无关，表明MODO_TDCFC方法的演化过程具有Markov特性；从生长算子的定义知，MODO_TDCFC方法的演化过程具有“步步不差”特性；此两个特性可确保MODO_TDCFC方法具有全局收敛性，其相关证明与文献《SISepidemicmodel-basedoptimization，JournalofComputationalScience，2014，第5卷，第32-50页》类似，本发明不再赘述。具体实施方式以下结合具体实例对本发明作进一步的详细描述。(1)确定要求解的实际优化问题，将该问题转化成多目标组合配置优化模型式(1)所描述的标准形式。然后，通过目标函数加权的方法，将优化模型式(1)转化成单目标组合配置优化模型式(2)所描述的标准形式。(2)按表2所描述的方法确定MODO_TDCFC方法的参数。(3)运行MODO_TDCFC方法进行求解。(4)对于下列实际优化问题，求n＝100，200，400，600，800，1000，1200时的全局最优解。a)通过目标函数加权的方法，将该优化问题转化成单目标优化问题的标准形式，即minf(X)＝10f1(X)+f2(X)s.t.-10≤xi≤10,i＝1,2,…,n-3；xn-2+xn-1+xn≥1；xn-2，xn-1，xn＝0或1b)按表2所描述的方法确定算法的参数，如表4所示。表4MODO_TDCFC方法相关参数的取值方法(5)采用MODO_TDCFC方法算法进行求解，所得结果如表5所示。表5计算结果(6)求得的最优解在xi在[1.246932E-8，4.015075E-8]之内，i＝1，2，…，n-3；xn-2＝0，xn-1＝0，xn＝1。当前第1页1 2 3