基于免疫克隆算法的多目标聚类方法

在分析k均值聚类和免疫进化聚类不足的基础上,提出一种基于Parzen密度估计的多目标免疫克隆聚类方法.该算法针对多目标免疫克隆算法中克隆规模难以确定的问题,根据密度聚类的思想,引入核密度估计,根据密度和进化代数确定各抗体的克隆规模,使用混沌变异增加抗体多样性.最后通过TOPSIS(technique for orderpreference by similarity to an ideal solution)方法进行抗体选择.人工以及UCI(universal chess interface)数据集上的仿真实验表明,该方法可以有效地提高算法速度,得到较好的聚类结果.     

基于免疫原理的一种动态数据聚类方法

提出一种基于免疫原理的动态聚类算法，它能在噪声环境下得到任意形状的聚类。并能有效地实现动态聚类操作．算法包括3个步骤：首先基于生物免疫机制得到一个反映当前数据分布特征的抗体集合；然后使用最小生成树方法得到聚类的初始结构；最后针对数据库的更新设计了动态聚类算法．仿真结果表明了该算法实现动态聚类的有效性．     

基于人工免疫系统aiNet模型的层次聚类算法

提出了一种基于人工免疫系统重要模型aiNet模型的层次聚类算法aiNHA。该算法首先采用aiNet的方法生成抗体的记忆细胞矩体和相似性矩阵,这样就将数据集划分为若干子簇。再按照层次聚类的方法,合并连接相似度高的子簇,得到最终的聚类结果。该算法适用于发现任意形状的聚类簇,并且继承了免疫算法搜索速度快、效率高的优点。     

动态多目标免疫优化算法及性能测试研究

基于生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能，提出一种动态多目标免疫优化算法处理动态多目标优化问题．算法设计中，依据自适应ξ邻域及抗体所处位置设计抗体的亲和力，基于Pareto控制的概念，利用分层选择确定参与进化的抗体，经由克隆扩张及自适应高斯变异，提高群体的平均亲和力，利用免疫记忆、动态维持和Average linkage聚类方法，设计环境识别规则和记忆池，借助3种不同类型的动态多目标测试问题，通过与出众的动态环境优化算法比较，数值实验表明所提出算法解决复杂动态多目标优化问题具有较大潜力．     

基于多尺度并行免疫克隆优化聚类算法

针对无监督分类问题,提出一种多尺度并行免疫克隆优化聚类算法.算法中,进化在多个子群之间并行进行,不同子群的抗体根据子群适应度采用不同变异尺度.进化初期,利用大尺度变异子群实现全局最优解空间的快速定位,同时变异尺度随着适应值的提升逐渐降低;进化后期,利用小尺度变异子群完成局部解空间的精确搜索.将新算法与其他聚类算法进行比较,所得结果表明新算法具有较好的聚类性能和鲁棒性.     

基于免疫克隆选择和语义计算的自适应资源检索算法

针对传统聚类算法存在的聚类类别数难以确定、易陷入局部极大和无法反映用户反馈的语义信息的问题,提出了一种基于免疫克隆选择和语义计算的自适应资源检索算法.其主要处理环节是使用语义相似度计算公式来计算抗体的免疫优势;引入了自适应优先算子来动态调解聚类类别,检查用户动态反馈的有效性;引入组合因子来增加抗体种群中个体的多样性,以扩大解的搜索范围,避免过早出现早熟现象;实验结果表明,使用该算法比传统聚类算法具有良好的收敛性、稳定性和更高的全局最优.     

自适应多克隆聚类算法及收敛性分析

基于生物体免疫和克隆基本原理,提出一种自适应多克隆聚类算法.其核心思想是将多种人工免疫系统算子用于聚类过程,并以亲和度函数为依据自动调整聚类类别.算法引入重组算子来增加抗体种群中个体的多样性以扩大解的搜索范围,避免算法早熟现象.引入非一致变异算子增强局部求解的自适应性、优化局部求解性能.加快算法收敛速度.另外,还利用Markov链证明算法的收敛性.数据仿真实验结果表明该聚类算法能实现合理有效的聚类.     

一种新型的免疫多目标优化算法

免疫算法借鉴了生物免疫系统独有的自适应、自组织、多样性、免疫记忆等优良特性,是智能计算领域中继人工神经网络和进化计算之后的又一个研究热点.提出一种新型的基于聚类的免疫多目标优化算法(CMOIA),借鉴了免疫算法的亲和度定义,由此亲和度定义的免疫变异操作子使得算法产生的抗体群体能够逐渐向精英群体变异,结合进化算法在局部搜索中维持解个体多样性的能力对免疫变异产生的抗体群进行交叉变异操作,采用一种基于聚类的克隆选择算子来保持免疫算法在探测新解和加强局部搜索之间的平衡.选取了8个通用的多目标优化问题对3个广泛采用的性能指标进行了测试.与现有两个经典的进化优化算法相比较,算法所产生的解集在收敛性、多样性等方面显示了相当的独创性和先进性.     

基于聚类免疫网络的协同过滤推荐算法

针对传统协同过滤推荐算法进行聚类后出现的推荐精度下降问题,提出了一种利用独特型网络模型对基于用户聚类的协同过滤算法加以改进的新思路。通过引入人工免疫中动态调节抗体浓度使免疫网络保持稳定的原理来调整邻居用户的数目,以保证邻居用户的多样性达到提高精度的目的。实验结果表明,该算法相对于传统的基于聚类的协同过滤算法而言,在提高推荐速度的同时保证了推荐的精度。     

多目标约束优化免疫算法研究及其应用

基于生物免疫中抗体应答抗原的机理,提出具有动态性能的多目标约束优化算法,解决一般性的多目标约束最优化问题.该算法的关键在于如何充分模拟免疫应答的机制构建算子模块,以及如何提出约束条件处理和聚类新方法有效解决优化问题.其特点是稳健性及记忆细胞集保存优良抗体并用聚类算法限制其规模,抗体群规模动态调节及抗体应答的对象是抗原群,群体具有自我调节多样性和自适应环境的能力且能并行处理复杂优化问题.仿真事例比较验证该文算法的有效性及能处理高维优化问题.     

基于混沌和免疫应答的增量聚类新算法

受免疫应答原理的启发, 提出了一种适用于增量数据聚类的人工免疫系统框架, 以及在此框架上的结合混沌的自组织增量聚类新算法, 称为免疫应答算法(Immune response algorithm, IRA). 新算法利用Logistic混沌序列生成初始抗体种群, 利用其多样性识别新增的不属于任何已知簇的数据, 该过程模拟了初次免疫应答. 同时, 初次免疫应答形成的记忆抗体可用于二次免疫应答, 即识别新增的属于已知簇的数据. 为了减少数据冗余, 算法用中心点和代表点表示已知簇并动态更新其识别区域, 这样算法不但能动态、自组织地形成聚类, 而且实现了数据特征的提取. 模拟实验充分显示出该算法无论在聚类质量上还是数据特征的提取上, 都具有一定优势, 且具有参数数量少、速度快、对数据输入次序不敏感的优点, 在实际问题中有一定应用价值.     

基于信息熵的免疫遗传算法聚类分析

介绍了基于信息熵的免疫遗传算法的聚类分析方法。将免疫算法引入到遗传算法中,利用免疫算法的免疫记忆、自我调节和多样性保持功能弥补了标准遗传算法的局部搜索能力差、计算量大和早熟收敛等问题。采用DNA进行抗体编码,利用信息熵来表示抗体间亲和度及浓度,并采用聚合亲和度,实现了抗体群的自我调节和多样性保持策略。实验表明,该算法优于标准遗传算法。     

一种基于信息嫡的多维流数据噪声检测算法

针对传统数据流聚类算法自适应性不强、对问题的依赖性过高以及聚类质量不够理想、聚类效率低下等缺陷,提出一种基于人工免疫原理的数据流聚类IMStream算法。该算法通过引入衰减函数和时刻权重来反映过去的数据与当前流入的数据在整个数据流中的地位,通过计算抗体期望克隆率E(xi)来限制抗体克隆的数目以及保持抗体的多样性,通过采取网络中的淘汰策略使最终的网络结构更符合原始数据流的内在特性。在真实数据集和人工数据集上的实验表明,IMStream算法比传统的数据流聚类算法具有更好的性能。     

基于流形距离的人工免疫无监督分类与识别算法

将一种新的流形距离作为相似性度量测度, 提出了一种用于无监督分类与识别的人工免疫系统方法. 通过基于流形距离的相似性度量, 有效利用样本集固有的全局一致性信息, 充分挖掘无类属样本的空间分布信息, 对样本进行类别划分. 新方法将免疫响应过程建模为一个四元组 AIR=(G,I,R,A) , 其中 G 为引发免疫响应的外界刺激, 即抗原; I 为所有可能抗体的集合; R 为抗体间相互作用的规则集合; A 为支配抗体反应、指导抗体进化的动态算法. 针对无监督分类问题, 将抗体编码为代表各类别的典型样本序号的排列, 利用动态算法 A 搜索能代表各类别的典型样本的最佳组合. 将新方法与标准的 K-均值算法、基于流形距离的进化聚类算法以及 Maulik 等人提出的基于遗传算法的聚类算法进行了性能比较. 对 6 个人工数据集及手写体数字识别问题的仿真实验结果显示, 新方法对样本空间分布复杂的无监督分类问题和实际的模式识别问题具有较高的准确率和较好的鲁棒性.     

使用免疫克隆选择机理的故障检测器优化

免疫算法产生的检测器集中,存在集合边界不清晰和个体分布不均匀的缺点。提出了一个免疫克隆选择检测器优化算法。通过对原检测器中个体的抗体克隆、变异和克隆选择操作,实现对检测器分布状况的优化。与其他免疫优化算法的对比仿真结果表明其不但具有较快的收敛速度和较好的稳定性,而且优化效果更为令人满意。     

基于免疫神经网络的陀螺仪漂移预测

BP神经网络可用于预测陀螺飘移误差，但容易陷入局部极值，训练速度很慢。针对上述缺点，该文提出了一种基于免疫算法的神经网络，以样本输出为抗原、神经网络权值矩阵为抗体，通过克隆、变异、抑制等步骤找到最优抗体，将最优抗体用于陀螺仪漂移预测。仿真试验显示，免疫训练算法能有效优化网络权值，基于该模型的漂移预测精度较高。     

Immunodomaince based Clonal Selection Clustering Algorithm

Based on clonal selection principle and the immunodominance theory, a new immune clustering algorithm, Immunodomaince based Clonal Selection Clustering Algorithm (ICSCA) is proposed in this paper. Firstly, by introducing a new immunodomaince operator to Clonal Selection Algorithm (CSA), the gene of elites in antibody population can be extracted and generalized to ordinary antibodies so as to gain on-line priori knowledge and share information among individuals. Then, one iteration of Fuzzy C-means clustering algorithm (FCM) and adaptive updating mechanism of antibody population are utilized to improve the diversity of antibody population in order to speed up the convergence speed. The proposed method has been extensively compared with FCM, GA-clustering algorithm (GACA) and Clonal Selection Algorithm based FCM (CSAFCM) over a test suit of several real life data sets and synthetic data sets. Experimental results indicate the superiority of the ICSCA over FCM, GAFCM and CSAFCM on clustering accuracy and robustness.     

半监督的人工免疫网络聚类

数据集的聚类边界不清晰时,人工免疫网络聚类使用最小生成树确定聚类数的依据往往不足.分析了问题存在的原因,提出一种基于人工免疫网络的半监督聚类算法.该算法一方面在抗体克隆操作中嵌入数据集 的先验信息,抑制位于聚类边界区域抗体的激活能力,从而保证记忆网络能更清晰的反映数据集中各聚类原型的结构;另一方面,将先验信息用于...     

基于改进基因库的检测器生成算法

在基因库生成检测器算法中,一般是把被删除的记忆检测器进行基因突变后的基因或非自体集样本加入到基因库中来初始化并更新基因库。经过若干代之后,在基因库中会出现一些相似性比较大的基因,形成基因的聚类现象。通过定期的对基因库进行聚类,变异,约减,提高成熟检测器对入侵的检测多样性。实验结果表明,该方法是有效的,能在快速生成检测器的同时,提高对未知入侵的检测能力。