基于杂合机制的免疫遗传算法在动态问题中的应用

针对遗传算法在求解动态问题时存在多样性缺失,无法快速响应环境变化的问题,提出一种基于杂合子机制的免疫遗传算法．该算法借鉴免疫系统中多样性与记忆机理,从保持等位基因多样性出发,在免疫变异中引入杂合映射机制,使种群能够探索更大的解空间．同时,通过引入记忆策略,使算法迅速跟踪最优解变化轨迹．该方法在动态０-１优化问题的求解中取得了较好的效果．

     

免疫遗传算法在TSP求解中的应用

基本遗传算法保持群体多样性的能力较差，所以经常在问题求解的过程中得到局部最优解。根据生物的免疫原理提出的一种改进算法——免疫遗传算法。免疫遗传算法主要体现了生物免疫系统中的基因重组、免疫记忆、隔离小生境和免疫元动态等特性，这些特性改进基本遗传算法的群体多样性保持能力。最后结合旅行商问题（TSP）的优化介绍了具体实现方法，实验结果表明该免疫遗传算法有较好的性能。     

基于免疫遗传算法的装箱问题求解

装箱是一类典型的ＮＰ完全问题．本文用一种免疫遗传算法来研究装箱问题的求解．免疫遗传算法在传统遗传算法的全局随机搜索基础上,借鉴生物免疫机制中抗体的多样性保持策略,大大提高了算法的群体多样性,实验表明,免疫遗传算法具有很好的全局收敛性,能有效解决装箱问题．     

基于记忆库拉马克进化算法的作业车间调度

多种群遗传算法相比遗传算法在性能上能够有所提高,但对具有较多局部最优解的作业车间调度问题,多种群遗传算法仍然难以改善易陷入局部最优解和局部搜索能力差的缺点.因此,提出了一种求解作业车间调度问题的新算法MGA-MBL(multi-population genetic algorithm based on memory-base and Lamarckian evolution for job shop scheduling problem).MGA-MBL在多种群遗传算法的基础上通过引入记忆库策略,不但使子种群间的个体可以进行信息交换,而且有利于保持整个种群的多样性;通过构造基于拉马克进化机制的局部搜索算子来提高多种群遗传算法中子种群进化的局部搜索能力.由于MGA-MBL采用了全局寻优能力较强的模拟退火算法对记忆库中的个体进行优化,从而缓解了多种群遗传算法易陷入局部最优解的问题,并提高了算法求解作业车间调度问题的性能.对著名的benchmark数据进行测试,实验结果证实了MGA-MBL在求解作业车间调度问题上的有效性.     

一种求解动态背包问题的离散粒子群优化算法

动态背包问题(DKP)是一类经典的动态优化问题,可以用来描述许多实际的问题。迄今为止,针对动态背包问题的研究主要集中在遗传算法上,而对粒子群优化算法的研究较少。在离散粒子群优化模型的基础上,引入环境变化的探测以及环境变化后的响应机制,提出一种求解动态背包问题的离散粒子群优化算法(DSDPSO)。将该算法和现有经典的自适应原对偶遗传算法(APDGA)在两个动态背包问题上进行了对比实验,结果表明,DSDPSO算法在环境变化后能迅速地找到最优解并稳定下来,更适合于求解动态背包问题。     

一种新的混合遗传算法求解旅行商问题

提出一种改进的混合遗传算法来求解TSP问题。在传统遗传算法基础上,杂交算子部分引入郭涛算法,使得算法保持较好的多样性和全局搜索能力,从而克服了传统遗传算法过早收敛的缺陷;变异算子引入粒子群算法,以加速算法收敛速度并提高求解精度,使其更快地找到最优解。通过TSPLIB大量经典实例验证,该算法均能快速找到比现有最优结果更好的解。     

基于免疫粒子群算法的非合作博弈Nash均衡问题求解*

针对N人非合作博弈Nash均衡求解问题,将免疫算法中抗体浓度抑制机制和免疫记忆功能引入基本粒子群算法,提出了一种求解博弈问题Nash均衡的免疫粒子群算法。该算法通过抗体浓度抑制机制和免疫记忆功能来保持种群的多样性,不仅保持了粒子群算法简单、易于实现的特点,而且增强了粒子群算法的全局寻优能力,加快了算法的速度。实验表明,提出的算法具有较好的性能,优于免疫算法和基本粒子群算法。     

Solving Nash equilibrium for N-persons' non-cooperative game based on immune particle swarm algorithm

针对N人非合作博弈Nash均衡求解问题,将免疫算法中抗体浓度抑制机制和免疫记忆功能引入基本粒子群算法,提出了一种求解博弈问题Nash均衡的免疫粒子群算法.该算法通过抗体浓度抑制机制和免疫记忆功能来保持种群的多样性,不仅保持了粒子群算法简单、易于实现的特点,而且增强了粒子群算法的全局寻优能力,加快了算法的速度.实验表明,提出的算法具有较好的性能,优于免疫算法和基本粒子群算法.     

求解动态优化问题的多种群热力学遗传算法

多种群方法已被证明是提高演化算法动态优化性能的重要方法之一。提出了多种群热力学遗传算法（multi-population based thermodynamic genetic algorithm,MPTDGA）。该算法使用一个概率向量在热力学遗传算法迭代过程中不断演化优化与竞争学习,环境变化时分化成三个概率向量,并分别抽样产生原对偶和随机迁入三个子种群,依据这三个种群和记忆种群最好解的情况,选择新的工作概率向量进入新环境进行学习。在动态背包问题上的实验结果表明,MPTDGA比原对偶遗传算法跟踪最优解的能力更强,有很好的多样性,非常适合求解0-1动态优化问题。     

一种多模态优化的小生境遗传算法

针对目前多模态优化存在无法找到全部局部极值解的问题,提出了一种改进的小生境遗传算法．该算法在基于淘汰相似机制的小生境遗传算法中引入了预选择机制,并对自适应交叉概率算子和变异概率算子进行了改进,根据群体适应度值的大小来动态调整个体的交叉概率和变异概率大小,并将该算法用于Shubert函数的求解,实验结果表明该方法较之前的小生境遗传算法能够有效的搜寻出全部局部极值,并具有较快的搜索速度．同时,该方法在其他的多峰函数求解上具有通用性．     

一种新的免疫遗传算法及其应用

为了克服基本遗传算法存在的缺点和不足,将免疫系统中抗体多样性的维持机制引入遗传算法,同时兼顾个体多样性和提高种群中个体适应度的水平,提出了基于相似性矢量距为选择概率的免疫遗传算法,并给出了此类概率选择的一般表示形式.为了防止基于相似性矢量距为选择概率的免疫遗传算法在优化过程中出现退化现象,通过在算法中引入免疫疫苗的方式,对该算法进一步加以改进.从每一代保优抗体中提取有效信息,进而得到一种新的疫苗提取方法.基于所提出的改进免疫遗传算法,提出了改进的编码方案.对20个城市的TSP问题进行研究,通过不同参数的比较,得出了算法中相关参数的取值范围.比较了6种算法的收敛速度,进一步证实了所提出算法具有良好的收敛性.     

基于信息熵的DNA免疫遗传算法

针对标准遗传算法在优化应用中遇到的诸如局部搜索能力差、计算量大、对较大搜索空间适应能力差和早熟收敛等问题,该文通过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其不足,提出了一种基于信息熵的DNA免疫遗传算法.该算法采用DNA链对抗体进行编码,利用信息熵来表示抗体间的亲和度及浓度,并提出了一种新的评估指标--聚合亲和度,有效地实现了抗体群的自我调节和多样性保持策略.最后,利用典型测试函数验证了本文方法的有效性.     

一种基于双变异算子的免疫网络算法

针对遗传算法难以解决多峰函数优化的问题,提出一种基于双变异算子的免疫网络算法.该算法借鉴免疫系统的克隆选择和免疫网络理论,采用双变异算子提高算法的全局和局部搜索能力.利用动态网络抑制策略保持神群的多样性,自适应地调节抗体群的规模.仿真结果表明,该算法能有效地改善种群的多样性,较好地实现全局优化与局部优化的有机结合,具有更强的多峰函数优化能力.     

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。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法一基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中．通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

基于动态入侵的自适应遗传算法研究

根据生物入侵的思想,将入侵的概念引入到遗传算法中,提出了一种新的基于动态入侵自适应遗传算法。在选择操作结束后,根据当前的种群类型自适应调整入侵率;根据种群所属的种群类型和种群的平均适应度值,确定染色体交叉概率;根据个体的所属类型和变异基因位置自适应调整变异概率。最后将该算法应用到函数优化问题,实验结果表明,改进后的算法在种群的多样性,收敛速度以及算法效率方面有了一定的改进。     

求解动态需求车辆调度问题的自适应量子遗传算法

针对物流配送过程中存在的动态车辆调度问题,即带载车量约束的实时优化车辆路径问题,提出一种自适应量子遗传算法,用于最小化配送成本.根据搜索点目标函数的变化率,提出一种自适应量子旋转门更新方式,并通过子种群适应度值的变化确定量子旋转角的方向和大小,进而引导种群进化方向,提高算法的全局搜索广泛性;设计了一种变异操作,用于保持自适应量子遗传算法的种群多样性,进而提高算法全局搜索的宽泛性;引入基于两元素搜索原则的局部搜索方法来增强算法的局部优化能力.仿真实验和算法比较验证了所提算法的有效性和优越性.     

一种新的自适应免疫进化算法

根据生物免疫系统的免疫网络调节机理，提出了一种新的自适应免疫进化算法．该算法按照抗体激励水平进行选择操作；同时建立优秀抗体记忆库，并采用种群自适应调节策略，保持了进化抗体群的多样性．试验表明，该算法比标准遗传算法的收敛性能好，能有效避免遗传算法种群多样性保持能力不足和早收敛的缺点．     

基于免疫策略的信道资源分配算法

根据信道分配的限制条件和特点应用免疫策略算法（ISA）,提出了基于 ISA的一种整体优化的动态信道资源分配方案,其特点是保证最大程度的紧致分配。同时针对遗传算法的退化现象引入免疫策略算法,较好解决了遗传算法的退化问题。实验仿真表明,该方案与现有的固定信道分配（FCA）、动态信道分配（DCA）方案和改进遗传算法信道分配方案（IGADCA）相比,有较小的呼阻率。     

基于自适应免疫遗传算法的智能组卷

对多目标组合优化的组卷问题,借鉴生物免疫系统原理中抗体多样性产生及保持机理,定义多目标选择熵和浓度调节选择概率概念,利用自适应免疫遗传算法,运用抗体克隆、高变异策略,实现组卷问题的多目标优化。该算法充分体现了pareto最优解的概念,具有并行搜索及个体编码长度动态调整、pareto最优个体保存于群体外(免疫记忆)并不断更新等特点。