基于改进免疫遗传算法的网格任务调度

为改进网格计算中任务调度的低效问题,采用十进制的实数编码规则产生初始抗体群,由免疫遗传算法经过克隆和变异算子生成资源集合中的蚁群信息素,进而利用蚁群算法的并行性展开全局搜索,通过CloudSim仿真平台进行模拟,与粒子群算法及蚁群遗传算法进行对比,结果表明,改进的免疫遗传算法能够大幅提高网格计算任务调度效率,有效地解决网格任务调度问题.     

求解TSP问题的三角形编码抗体克隆选择算法

在探讨遗传算法求解TSP问题中编码方式和交叉、变异算子作用特点的基础上,发现模板理论已经不能很好地适应TSP问题,主要是因为非二值符号编码和交叉算子对边的过度破坏导致子代难以继承父代的优良模式．为了克服上述问题,提出一种三角形表示的路径编码方案,并给出相应的启发式路径搜索策略;引入生物免疫系统的克隆选择机理加强局部搜索,进而构造一种适合TSP问题求解的人工免疫系统算法--超变异抗体克隆选择算法(HACSA)．典型TSP问题的求解表明,和Endoh等人的免疫算法和遗传算法相比,HACSA的计算复杂度相当,60％以上的求解结果达到或者超过问题已知的最优值,而相应的免疫算法和遗传算法几乎均陷入局部极值,无法获得满意的求解结果．     

一种改进的免疫克隆选择算法

针对传统免疫克隆选择算法收敛速度较慢的问题,结合克隆概率和免疫概率的自适应变换、群体灾变算法以及有无记忆库思想,提出了无记忆库的自适应免疫克隆选择算法与有记忆库的自适应免疫克隆选择算法,并将其应用于TSP问题.群体灾变算法的应用便于使算法尽快摆脱迟钝状态,并使算法能够保持抗体多样性.自适应方法的应用使得算法在进化初期有较强的全局搜索能力和较弱的局部搜索能力,随着进化的进行,全局搜索能力逐渐减弱,局部搜索能力逐渐增强,便于找到全局最优点.仿真实验结果表明,与传统的免疫克隆算法相比,该算法有效克服了早熟问题,保持了抗体的多样性,而且收敛速度较快.     

免疫遗传算法的现状和展望

介绍了基本遗传算法和免疫遗传算法,重点分析了免疫系统对遗传算法的改进。结合混沌搜索的思想提高了算法运算的效率,并对免疫遗传算法的研究方向做出展望。     

改进免疫克隆选择算法在VRP中的应用

针对在求解车辆路径问题(VRP)中免疫克隆选择算法收敛速度慢,遗传算法易陷入局部最优解的缺点,对抗体亲和力求解方法做了改进.提出了基于亲和力排序的抗体相似性矩阵的概念,并将其应用于抗体抑制策略,进而设计出改进免疫克隆选择算法.仿真结果表明该算法比遗传算法求的解的质量更高,收敛速度比免疫克隆选择算法快.     

用免疫遗传算法实现配送路线求解

合理的配送路线可以提高物流配送的效率。针对遗传算法局部搜索能力较差的缺点,提出将免疫算法与遗传算法相结合的遗传免疫算法来对物流配送路线进行优化。采用免疫检测与免疫选择对遗传算法进行改进,并阐述了免疫算法求解配送最优路径的步骤。实例证明,免疫算法能较好地解决遗传算法中出现的退化现象,而且使收敛速度显著提高,具有良好的局部与整体收敛性,是有效可行的。     

免疫遗传算法在配电网重构中的应用

配电网具有闭环设计、开环运行的特点。本文提出免疫遗传算法的方法来解决配电网重构问题,以减小网损。配电网重构属于大规模、混合整型、非线性组合优化问题。免疫遗传算法在传统遗传算法的基础上,借鉴生物免疫机制中的抗体的多样性保持策略和记忆抗原的特点,大大提高了算法的全局搜索和局部搜索能力。该算法将遗传算法中的二进制编码改进为整、实数混合编码,提高了计算速度和精度,同时引入了疫苗接种概念,能有效抑制算法在进化过程中退化现象。实验表明,免疫遗传算法具有更好的全局收敛性,同时加快了计算速度。     

采用正交免疫克隆粒子群算法求解SAT问题

根据Kennedy和Eberhart提出的二进制粒子群算法,基于抗体克隆选择理论提出一种求解合取范式可满足问题的粒子群算法——正交免疫克隆粒子群算法．该算法将合取范式可满足问题转换为求解目标函数最小值的优化问题,为提高收敛速度,根据子句的先验知识计算出个体的初始指派概率对种群进行初始化．为了避免算法早熟收敛,提高粒子群个体解分布的均匀性,将离散正交交叉算子用于免疫基因操作中,并给出适应于求解合取范式可满足问题的免疫粒子群进化算子．实验采用标准SATLIB库中变量个数从20~250的3700个不同规模的标准合取范式可满足问题对正交免疫克隆粒子群算法的性能作了全面的测试,并与标准粒子群算法和免疫克隆选择算法进行了比较．结果表明,正交免疫克隆粒子群算法的成功率在3个算法中最高,运行时间和评价次数最少．     

免疫遗传算法在配电网重构中的应用

配电网重构是配电网络优化的主要措施,其实质是一个多目标非线性混和优化问题.采用免疫遗传算法来研究重构问题的求解方法.免疫遗传算法在传统遗传算法的基础上,借鉴生物免疫机制中抗体的多样性保持策略和记忆抗原的特点,大大提高了算法的全局搜索和局部搜索能力.实验表明,免疫遗传算法具有很好的全局收敛性,能有效解决配电网重构问题.     

正交多智能体算法求解管网直接优化调度模型

针对传统遗传算法存在高维空间寻优能力较差的问题,提出采用正交多智能体算法求解管网直接优化调度模型.对智能体的随机初始种群进行正交操作,得到较优初始种群,通过智能体的竞争和自学习,找到较优解.结果表明:与正交自适应遗传算法相比,正交多智能体算法具有更强全局搜索能力和更快寻优速度,并且正交多智能体算法优化方案较大提高了水泵运行效率,可节电2.96%.     

基于混合免疫协同进化算法的模糊-PI优化控制

针对遗传算法诸如局部搜索能力差、早熟收敛、“退化”现象等问题，在协同进化算法(CA)的基础上融入传统的单纯形算法，同时引入免疫算子来防止“退化”现象，提出了混合免疫协同进化算法(HICA)，并设计了一种自适应交叉、变异算子以提高算法的运算效率；应用HICA对模糊 PI控制器的各个参数进行协同优化，设计了体现控制器综合性能指标的目标函数，仿真结果表明：提出的基于HICA模糊 PI控制优化方法可以获得满意的控制效果.     

波阻抗混合优化反演方法研究

遗传算法是一种具有全局优化的随机搜索算法,针对遗传算法存在局部搜索能力差,求解精度不高等缺点,引入了模式搜索算法,利用模式搜索算法较强的局部搜索能力和较高的求解精度弥补遗传算法的不足.即利用遗传算法来控制寻优过程,用模式搜索算法使解快速逼近极小点,然后再用遗传算法使解逃脱局部极值,从而达到全局寻优目的.理论模型和实例计算分析验证了该方法的有效性.     

求解非满载车辆调度问题的免疫遗传算法

非满载车辆调度问题是车辆调度问题中的一个基本问题,由于它是一个典型的NP难题,传统方法的求解结果往往不能令人满意.曾有研究将传统的遗传算法用于求解非满载车辆调度问题,但是由于遗传算法在遗传后期的波动现象,导致了迭代次数过大和准确率不高.该实验根据生物免疫系统的机理提出的免疫遗传算法,结合了遗传算法的进化操作和生物免疫中的浓度机制,通过抗体的期望繁殖率实现对抗体的促进和抑制,改善未成熟收敛.该算法是在传统遗传算法全局随机搜索的基础上,借鉴生物免疫机制中抗体的多样性保持策略,改善了传统遗传算法的群体多样性,通过与遗传算法的比较,结果表明,该算法不仅收敛,而且具有更好的全局和局部搜索能力和收敛速度.     

多目标遗传局部搜索算法的研究进展

在分析了由演化算法局部搜索能力差造成的多目标演化算法在收敛速度和求解精度上尚不能令人满意的局限性的基础上，详细地论述了融入局部优化方法的多目标混合演化算法能够有效地平衡算法的全局搜索与局部搜索能力、均衡搜索效率与效果，而且已成为求解多目标优化问题的一个非常重要而有前途的研究方向。其次，综述了多目标遗传局部搜索算法的研究进展与分类。最后，简单介绍了一些具有代表性的多目标遗传局部搜索算法，并提出了其有待进一步研究的若干方向和内容。     

人工免疫网络的改进及其在免疫神经控制中的应用

针对人工免疫网络(AIN)搜索能力不强的问题,通过引入新生抗体的进化环节,用遗传算子代替克隆变异作为主要的搜索手段,增强了网络的搜索能力.改进网络被用于免疫神经控制中抽取控制经验,形成知识库,并指导遗传算法在线搜索.仿真结果表明,改进后人工免疫网络的搜索能力得到较大提高;通过引入经验指导,能加快遗传算法的收敛速度,进一步增强了免疫神经控制的实时性.     

钛合金动态本构模型参数敏感度分析及识别方法

为分析钛合金动态本构模型参数的敏感度,克服了传统单因素分析法的弊端,采用拉丁超立方抽样方法在整个参数空间中抽样,利用非参数统计方法中的Spearman秩相关分析法对本构参数随机输入样本集与其对应的目标函数输出结果集作相关性分析。建立了用Spearman秩相关系数等效求解参数敏感度的表达式,进而实现了参数敏感度的整体性分析,提高了参数敏感度分析结果的可靠性。基于参数敏感度分析结果,为减少本构模型参数识别的计算量,快速、精确、可靠地搜索最优解,本文建立了基于改进小生境算法、可疑峰值点判断策略和局域精确搜索技术的改进遗传算法。该方法克服了基本遗传算法存在的无法同时满足精度、可靠性和节省计算时间的缺陷,避免了容易产生早熟现象,增强了局部寻优能力。数值计算结果表明：本文提出的方法显著提高了遗传算法的全局搜索能力且计算精度高。本文提出的参数敏感度整体性分析方法和改进遗传算法不仅能很好地实现钛合金的动态本构参数识别,而且对其它工程材料本构参数的高精度识别具有重要参考价值。     

多点正交交叉的遗传算法研究

利用正交实验法的全局均衡思想,提出一种采用多点正交交换的遗传算法．算法通过正交表安排遗传算法的交换运算,并在所产生的多个子代中选择适应度大的进入下一次进化,这样既加快了算法的收敛速度又保证了种群的多样性．实验证明,该算法不但可以有效地克服标准遗传算法的缺陷,而且计算速度、精度和算法稳定性也得到了显著提高．     

A chaos genetic algorithm for optimizing an artificial neural network of predicting silicon content in hot metal

A genetic algorithm based on the nested intervals chaos search (NICGA) has been given. Because the nested intervals chaos search is introduced into the NICGA to initialize the population and to lead the evolution of the population, the NICGA has the advantages of decreasing the population size, enhancing the local search ability, and improving the computational efficiency and optimization precision. In a multi-layer feed forward neural network model for predicting the silicon content in hot metal, the NICGA was used to optimize the connection weights and threshold values of the neural network to improve the prediction precision. The application results show that the precision of predicting the silicon content has been increased.     

一种快速医学图像亚像素边缘检测方法

针对目前医学图像配准中使用的多是配准精度较低的像素级的边缘检测的问题,提出一种新算法将像素级算子sobel,log,prewitt,roberts,zerocross和canny分别与Zernike矩算子及搜索算法相结合,并对边缘检测结果进行比较,从中选取较优的算子来实现医学图像亚像素边缘检测.实验结果表明该算法克服了像素级算子和Zernike矩算子的缺点,提取的边缘定位精度高,计算时间短,抗干扰性强.