1、雖然目前多目標優(yōu)化在工程、工業(yè)和科學領域獲得廣泛應用。但是由于問題本身的復雜性,多目標優(yōu)化的相關技術目前仍不夠完善和成熟,還存在許多值得研究的問題,如:收斂速度、局部最優(yōu)、參數控制、多目標之間如何進行折衷等。如何快速、有效地實現(xiàn)多目標優(yōu)化成為工程應用中的研究熱點問題。
　　 常用的多目標優(yōu)化方法自身的不足及其在實際應用中存在的諸多困難,一直阻礙著多目標優(yōu)化方法的向前發(fā)展。研究結果表明蟻群算法在大部分多目標優(yōu)化問題上比傳統(tǒng)進化算法

2、具有更好性能。本文首先介紹蟻群算法的概念、背景、模型以及未來發(fā)展趨勢,然后介紹了目前常用多目標優(yōu)化方法,并對現(xiàn)有的蟻群多目標優(yōu)化的模型和方法進行詳細分析。研究表明蟻群算法解決一些復雜多維問題的能力不強,容易陷入局部最優(yōu),造成算法早熟。為有效克服以上缺點,更好解決實際中的優(yōu)化問題,本文將量子計算理論引入蟻群算法,提出一種基于量子衍生方法的多目標蟻群算法。該算法先采用量子遺傳算法生成信息素分布,然后利用蟻群算法正反饋求精確解,力求優(yōu)勢互補。

3、算法將量子比特的兩個概率幅看作是螞蟻當前的位置信息,在螞蟻數目相同時,使搜索空間加倍。能較好的解決蟻群算法在求解問題時收斂速度慢和易于陷入局部最優(yōu)的問題。
　　 多目標0-1背包問題是個復雜的NP難問題,它能夠很好的檢驗多目標進化算法的優(yōu)劣。最后將本文算法用于多維0-1背包問題的求解,并與MOA及經典算法NSGA2的試驗結果進行對比分析,結果表明:本文算法不僅能更快更精確地逼近Pareto最優(yōu)前端,同時能夠維持Pareto最優(yōu)解