量子克隆进化算法

本文在量子进化算法的基础上结合基于克隆选择学说的克隆算子,提出了改进的进化算法--量子克隆进化策略算法(QCES).它既借鉴了量子进化算法的高效并行性又利用克隆算子来代替其中的变异和选择操作,以增加种群的多样性,避免了早熟,且收敛速度快.本文不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了此算法的优越性.     

一种免疫单克隆策略算法

本文系统地阐述了基于细胞克隆选择学说的单克隆算子.并将其应用于进化策略,提出了新的人工智能算法-一种免疫单克隆策略算法,该算法模拟免疫系统的自我调节、学习、自适应等机制,实现全局优化计算与局部优化计算机制的有机的结合,而且通过抗体与抗原间的亲合度计算,促进和抑制抗体的产生,自适应地调节抗体群的克隆规模.理论分析证明该算法以概率1收敛,同时利用4个标准函数对其进行全面测试,测试结果表明其收敛速度快、种群多样性好、并可有效抑制早熟现象.     

精英免疫克隆选择的协同进化粒子群算法

提出一种精英免疫克隆选择的协同进化粒子群算法（Elite immune clonal selection co-evolutionary particle swarm optimization,EICS-CPSO）.算法借鉴了协同进化思想和精英策略,基于精英种群与普通群体并行协同进化框架.高适应度的精英个体组成精英团体,运用自适应小波变异的免疫克隆选择算子对精英团体进行提升引导操作.普通种群间个体极值采用柯西交互学习机制提高微粒个体极值收敛性能;迁移操作进一步推进了整体信息共享与协同进化.实验结果表明该算法收敛精度快且全局搜索能力强,且具有较好的动态优化性能.实验分析表明该算法对参数不敏感,易于使用.     

协同进化多代理系统

协同进化与进化稳定遗传算法相结合，并应用于多代理系统形成协同进化多代理系统。协同进化多代理系统将每个代理看作一个群体，所有代理按顺序进化，以达到最高适应度。本文采用进化稳定遗传策略，采用稳定参数控制下的突变因子，使算法具有较高的全局寻优能力和较快的收敛速度。同时采用基于适应度大小顺序的选择算子代替常用的轮盘赌选择法。避免了群体中各个染色体适应值相差不大而导致优秀个体得不到足够的后代。     

一种基于排序操作的进化算子自适应遗传算法

提出了一咱基于排序操作的进化算子自适应的遗传算法,该算法中,每个体按适应值大小进行排序,个体的选择、交叉、交异算子的概率根据个体排序值来自适应地确定,其中选择概率还随进化过程而调节,利用Ｍａｒｋｏｖ链的分析法证明了该算法的全局收敛性,最后,实验结果表明该算法同传统的遗传算法相比不仅能收敛到全局最优解,而且具有交快的收敛速度。     

量子进化策略

本文将进化策略和量子理论相结合,提出一种新的学习算法-量子进化策略(Quantum Evolutionary Strategies)算法.它是一种基于量子计算的概念和理论(诸如量子比特和量子叠加态)的进化策略算法,在这一算法中,采用量子编码来表征染色体,使用量子变异实现染色体的进化.由于量子变异中融入了当前最优解的信息,同时采用“全干扰交叉”操作克服早熟现象的发生,因此它比传统进化策略具有更快的收敛速度和全局寻优的能力.本文不仅从理论上证明了它的全局收敛性,而且仿真计算也表明了此算法的优越性.     

基于改进QACA的无人机集群任务分配算法

针对无人机集群多目标任务分配问题，提出在量子蚁群算法(QACA)基础上，融合克隆选择算法的交叉和克隆复制因子来提高算法的全局搜索能力，避免搜索过程陷入早熟收敛问题，然后利用量子蚁群算法快速搜索。仿真结果表明，该算法是求解无人机集群多目标任务分配的一种有效算法。     

自适应免疫克隆选择文化算法

 免疫克隆选择算法中,单纯采用克隆选择机制的全局收敛能力较差,而采用（μ+λ）选择机制则容易陷入早熟收敛。为兼顾算法的搜索和探索能力,提出一类自适应免疫克隆选择文化算法。该算法采用文化算法的双层进化机制,提取并利用进化过程中的隐含知识,有机结合克隆选择和（μ+λ）选择两种机制,从而给出一种基于知识的自适应调整选择机制的混合选择策略。针对标准测试函数的仿真结果表明,该算法具有更稳定的全局收敛性能及较快的收敛速度。     

免疫克隆分类算法

本文提出了一种新的数据挖掘分类方法——免疫克隆分类算法（Immune Clonal Algorithm for Classification，ICAC）．ICAC是一种基于免疫克隆算法的搜索机制和Michigan方法模型的规则提取和分类方法．与遗传分类算法不同，ICAC是一种自下而上的分类算法．ICAC虽然着眼于规则的进化，但是从编码到免疫算子的设计都立足于训练样本，可避免进化过程中产生无意义规则，且产生的规则是可解释的．文中将算法用于UCI数据集，并与现有的基于非遗传算法、遗传算法和分布式遗传算法的分类方法进行了比较实验．结果表明，ICAC是一种有效的分类算法．     

基于量子克隆优化的SAR图像分类

将量子交叉操作引入人工免疫系统中的克隆选择优化,提出了一种用于解决SAR图像分类问题的量子克隆优化算法,基于Markov理论证明了其收敛性.新算法采用克隆选择操作同时在同一抗体周围的多个方向进行搜索,通过在各个子群体间采用量子交叉算子增强抗体间的信息交换,有效地克服了早熟现象.对X波段和Ku波段SAR图像的分类实验表明,与模糊C均值算法、K近邻算法和克隆选择算法相比,新算法的平均分类精度分别提高了13.57、11.79和5.79个百分点,而且新算法的鲁棒性也明显优于其他三种方法.     

一种有效的基于并行量子进化算法的图像边缘检测方法

本文基于费用函数最小化方法,提出一种混合并行量子进化算法用于文本图像的边缘检测。量子进化算法是一种基于量予计算的概念和理论(诸如量子比特和量子叠加态)的进化算法,它采用了量子编码来表征染色体,由于量子比特的概率表示,能够表示出解的线性叠加状态。此外,量子进化算法具有收敛快和好的全局搜索特性,因此它比传统的进化算法更适于并行结构的实现。我们将这一算法和局部搜索算法相结合,用于图像的边缘检测问题,得到了令人满意的检测效果,并对噪声有较好的抑制作用。     

量子进化组播路由算法

近年来,时延受限的代价最小组播树问题备受关注。作为全局优化算法,遗传算法（GA）越来越多的用于解决组播路由问题。GA拥有比经典算法更强的搜索能力,但是它容易陷入＂早熟＂,很难得到最优组播树。基于量子计算的机理和特性并结合进化计算,提出了一种新颖的量子进化组播路由算法（QEA）,有效地解决了遗传组播路由算法中的＂早熟＂问题,并且在每代个体更新中采用量子旋转门策略加速了算法的收敛速度。算法实现简单,控制灵活。仿真结果表明QEA算法性能优于改进的进化算法即克隆多播路由算法（CS）和传统的遗传算法（GA）。     

基于多算子协同进化的自适应并行量子遗传算法

量子遗传算法具有种群规模小,全局搜索能力强的特点被广泛应用于各类优化问题的求解.为了进一步提高量子遗传算法的收敛速度和搜索稳定性,克服算法的早熟问题,本文改进了基于自适应机制的量子遗传算法.在自适应量子遗传算法的基础上根据种群的适应度定义了个体相似度评价算子、个体适应度评价算子和种群变异调整算子及相应算子的计算方法,利用多算子协同评价当前种群状态并根据进化代数的变化,自适应的改变个体的变异概率,提高了算法全局寻优能力和收敛速度,降低了算法陷入局部寻优的概率.此外,为了提高算法的时间效率,将算法采用并行多宇宙的方式实现.实验结果表明,本文提出的算法在全局搜索性能、收敛速度和时间效率方面有较好的综合表现.     

基于自适应交叉变异量子免疫信号盲检测算法

提出了基于自适应交叉变异算子的量子免疫信号盲检测方法,所述方法在量子化交叉与变异基础上,引入了基于自适应策略的量子免疫交叉与变异算子,用量子交叉与量子变异进行进化,同时采用了传统免疫算法中交叉和变异算子的策略,以求更好地加强种群的进化程度,仿真结果表明所提出的基于自适应交叉变异算子的量子免疫算法能够有效避免早熟现象,收敛速度更快,相同信噪比条件下误码率更低。     

改进的量子进化算法及其在TSP问题中的应用

针对量子进化算法（Quantum—inspired Evolutionary Algorithm，QEA），在解决实际问题中遇到的困难，提出一种改进的量子进化算法，应用于求解旅行商问题（Travelling Salesman Problem，TSP）,并提出了TSP中的Hamilton圈的随机搜索编码技术。通过求解TSP问题库中的部分问题，表明改进的算法比经典的量子进化算法及免疫遗传算法具有更快的收敛速度和更好的全局寻优能力。     

基于N进制编码的克隆重组方法应用于快速优化ADPCM的多参数

选择ADPCM的步长修正因子M涉及复杂目标函数的多变量优化,是一个海量计算问题。克隆—思维进化算法(CMEA)继承了进化算法(MEA)中趋同操作的择强汰弱思想,同时引入克隆算子将相对较弱个体的强势因素保留到下一代。提出一种新的基于N进制编码的克隆重组方法用于优化具有复杂目标函数的ADPCM的8个步长修正因子,实验结果表明从第5次迭代后,CMEA的信噪比(SNR)一直高于MEA算法;在前5次迭代中,CMEA平均每次迭代改善1.03dB,高出MEA算法0.4dB。此外MEA的计算量约为CMEA的1.67倍,CMEA比MEA算法抗早熟。     

基于免疫克隆量子算法的多用户检测器

为了解决CDMA系统最佳多用户检测的高计算复杂度问题,基于免疫克隆选择理论和新的遗传量子算法,该文提出了免疫克隆量子算法。该算法把根据神经网络制作的疫苗接种到克隆量子算法的每一代中,通过接种疫苗到CQA中,可以加快CQA的收敛速度减少计算复杂度。另外,CQA所提供的好的初值可以改善疫苗的性能,接种的疫苗还改善了CQA的性能,文中给出了在免疫克隆量子算法中使用随机神经网络制作疫苗的统一理论框架结构。仿真结果证明了该方法不仅能够快速收敛到全局最优解,并且无论抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用以前智能计算算法的多用户检测器。     

基于免疫优势的克隆选择聚类算法

 基于克隆选择原理和免疫优势理论,本文提出一种新的基于免疫优势的克隆选择聚类算法（Immunodomaince based Clonal Selection Clustering Algorithm,IDCSCA）,该算法通过在经典的克隆选择算法框架中,引入基于免疫优势理论的免疫优势算子实现了在线自适应动态获得先验知识和个体间的信息共享。新算法首先通过对群体中若干最优抗体的分析,提取免疫优势,然后将其推广到整个抗体群,通过在进化过程中利用积累的先验知识,在保证抗体种群多样性的基础上加快收敛速度。采用个5个数据集对算法性能进行了测试,与模糊C均值算法（Fuzzy C-means, FCM）、基于遗传算法的模糊聚类算法(Genetic Algorithm based Fuzzy C-means, GAFCM)以及基于克隆选择的模糊聚类算法（Clonal Selection Algorithm based Fuzzy C-means, CSAFCM）比较,结果表明IDCSCA能有效避免聚类中心迭代过程中陷入局部最优点的问题,而且聚类性能更稳定。     

基于人工免疫原理的入侵检测系统

文章针对前人的免疫IDS模型，改进了动态克隆选择算法与基因库相结合的入侵检测方法。设计了一种self集的确定方法，采用分段匹配的方法，利用人体免疫细胞抗体生成的机制将细胞分为记忆细胞、成熟细胞和未成熟细胞，改进了基于基因库进化、高突变与否定选择相结合的成熟检测器生成算法。     

基于混合优化策略的微分进化改进算法

微分进化算法具有控制参数少、鲁棒性强、易于使用等优点，并具有不同的优化策略．本文在对微分进化算法各优化策略性能进行分析的基础上，提出了基于混合优化策略的微分进化改进算法．改进算法的主要思想是将种群中的个体随机地分成两组，每组采用不同的优化策略．利用五个标准的优化算法测试函数对改进算法的收敛速度和搜索成功率进行了测试，并与动态微分进化算法和微粒群算法进行了比较．实验结果表明，本文提出的改进算法在保证算法搜索成功率的同时，大大提高了算法搜索效率．