求解约束优化问题的粒子进化变异遗传算法

设计一种求解约束优化问题的粒子进化变异遗传算法(IGA_PSE).首先,分析候选解约束条件离差统计信息与约束违反函数之间的关系及其性质,基于约束条件离差统计信息提出一种改进约束处理方法;其次,基于粒子进化策略提出3种新变异算子;然后,讨论该算法早熟收敛的3种情况,并提出相应的种群多样化维持策略;最后,通过数值实验表明所提出的算法能够有效求解约束优化问题.     

一种改进的约束优化差分进化算法

提出一种改进的差分进化算法用于求解约束优化问题.该算法在处理约束时不引入惩罚因子,使约束处理问题简单化.利用佳点集方法初始化个体以维持种群的多样性.结合差分进化算法两种不同变异策略的特点,对可行个体与不可行个体分别采用DE/best/1变异策略和DE/rand/1策略,以提高算法的全局收敛性能和收敛速率.用几个标准的Benchmark问题进行了测试,实验结果表明该算法是一种求解约束优化问题的有效方法.     

基于内部罚函数的进化算法求解约束优化问题

为解决现有约束处理方法可行解的适应度函数不包含约束条件的问题,提出了一种内部罚函数候选解筛选规则.该候选解筛选规则分别对可行解和不可行解采用内部罚函数和约束违反度进行筛选,从而达到平衡最小化目标函数和满足约束条件的目的.以进化策略算法为基础,给出了基于内部罚函数候选解筛选规则的进化算法的一个实现.进一步地,从理论和实验角度分别验证了内部罚函数候选解筛选规则的有效性:以(1+1)进化算法为例,从进化成功率方面验证了内部罚函数候选解筛选规则的理论有效性;通过13个测试问题的数值实验,从进化成功率、候选解后代是可行解的比例、进化步长和收敛速度方面验证了内部罚函数候选解筛选规则的实验有效性.     

自适应乘子在工程优化问题中的应用

在增广Lagrange乘子函数和协作进化算法的基础上,采用自适应策略来解决工程优化问题.其中存在两组相互作用的进化种群A和B,A利用B的反馈信息来评价A中乘子个体的优劣,进而进化A中乘子个体;B则利用A中乘子个体来动态进化原问题的候选解个体.在算法迭代过程中,罚因子是确定性逐渐增大,以使算法逐渐收敛;A中乘子个体则朝其最优值的方向进化,且由B可得到原问题的最优解.与基于静态和动态罚函数的GAs相比,该算法准确度和鲁棒性较高,易于实现,并适合并行化计算.     

基于最优高斯随机游走和个体筛选策略的差分进化算法

针对差分进化算法开发能力较差的问题, 提出一种具有快速收敛的新型差分进化算法. 首先, 利用最优高斯随机游走策略提高算法的开发能力; 然后, 采用基于个体优化性能的简化交叉变异策略实现种群的进化操作以加强其局部搜索能力; 最后, 通过个体筛选策略进一步提高算法的探索能力以避免陷入局部最优. 12 个标准测试函 数和两种带约束的工程优化问题的实验结果表明, 所提出的算法在收敛速度、算法可靠性及收敛精度方面均优于EPSDE、SaDE、JADE、BSA、CoBiDE、GSA和ABC等算法, 在加强算法探索能力的同时能够有效地提高算法的开发能力.

     

基于随机泛函的免疫进化算法收敛性及性能分析

分析基于免疫响应原理的免疫进化算法流程和运行机制.根据免疫抗体群的状态转移过程,研究免疫进化算法的马尔科夫随机过程,并采用随机泛函分析算法的收敛性,突破传统马尔可夫链方法对解空间较大问题分析的局限性.根据免疫进化算法参数构成和抗体种群达到吸收态的转换特性,采用泛函理论论证算法收敛速度估计、时间复杂度计算和参数选择原则.通过实验总结影响免疫进化算法收敛性的关键因素,为解空间较大及高维优化问题的免疫进化算法收敛性和性能分析提供可行方法.     

多变异策略融合的约束优化问题求解算法

在约束优化问题中,多目标方法是一种约束处理技术,但这种方法易产生高额计算成本以及难以兼顾多样性和收敛性等问题.融合多种差分进化算法的变异策略,提出了一种多变异策略融合的差分多目标进化算法,用于约束优化问题求解.该算法引入改进的贪婪变异搜索策略,构建自适应变异因子控制变异算子的贪婪性和扰动性;基于切比雪夫距离进行变异策略的切换.该方法可提高算法收敛速度和求解质量,最终达到降低计算成本和兼顾多样性和收敛性的目的.与多种优秀算法相比,改进算法整体上具有更好的收敛速度、收敛精度以及处理不同复杂程度问题的能力.     

一种采用克隆选择的免疫差分进化算法

为了解决基本差分进化算法易出现早熟收敛的问题, 提出了一种融合人工免疫系统和差分进化的混合算法。该算法在差分进化过程中引入了克隆选择操作和受体编辑机制, 以增强算法的局部搜索能力和种群多样性。通过对五个标准函数的仿真实验表明, 该算法不仅可有效避免早熟收敛, 而且全局优化能力和收敛速度有显著提高。     

基于双基因变异方式的混合进化策略

典型的进化策略受自然进化过程启发而成为求解全局优化问题的重要方法,但传统的进化策略算法采用全基因变异方式,使用单一变异因子,在群体的多样性和收敛速度等方面存在不足.本文研究基本进化策略的变异方式及繁殖方式,在的基础上提出双基因变异方式的概念,建立基于和混合的双基因变异混合进化策略算法,在保持群体多样性的前提下,提高了算法的收敛速度和准确度.理论证明及仿真结果证明了此算法的有效性.     

循环混沌优势进化算法

详细描述了新提出的能够快速收敛的优势进化算法以及基于混沌映射为初始群体的循环优势进化算法。对该策略利用模拟函数做了寻优测试并做了详细的讨论，测试表明在具有3^15个极小值的空间中循环优势进化算法能够在极短的时间内快速寻找到全局唯一的最小点。该全局最优算法策略具有很大的潜力运用于化学问题的复杂QSAR研究的寻优当中。     

人工免疫算法及其应用研究

为了有效地解决病态的约束优化问题,提出了一种模拟生物免疫系统自我调节功能的人工免疫算法,介绍了算法的基本步骤,构造了几种人工免疫算子,分析了算法的收敛性.人工免疫算法继承了遗传算法“优胜劣汰”的自我淘汰机制,但新抗体的产生方法比遗传算法中新个体的产生方法灵活得多.在进行抗体选择时若能确保当时的最优抗体可以进入下一代抗体群,则人工免疫算法是全局收敛的.100个城市TSP问题的仿真实例显示人工免疫算法比遗传算法具有更强的全局搜索能力和收敛速度.     

人工免疫网络记忆分类并行算法研究

人类免疫系统是极为复杂的、固有并行性、分布式系统。人工免疫系统领域已经开发了许多免疫系统启发的算法,但没有几个显示并行性。论文提出并行人工免疫网络记忆分类系统,给出简单的并行人工免疫网络记忆分类算法。初始结果显示,通过简单的并行化方法,与并行人工免疫识别系统AIRS的比较研究表明,并行人工免疫网络记忆分类系统在并行效率等方面的性能优于后者。     

人工免疫系统及其在控制领域中的应用

本文介绍了人工免疫系统及其在控制领域中的应用，首先简要介绍生物免疫系 统可被发展用于人工免疫系统的相关机理，然后给出基于生物免疫系统机理开发的、并应用 于控制领域的人工免疫网络模型和免疫学习算法，接着举例说明近年来人工免疫系统在控制 领域中的最新研究结果，最后给出了进一步的研究工作．     

人工免疫系统研究

本文首先简单解释了人工免疫的定义;其次对常见的免疫算法的机理和结构进行总结;接着分析了人工免疫系统的应用情况,最后指出人工免疫系统的以后的研究方向。     

一种改进的人工免疫网络：免疫特征映射网

针对目前人工免疫系统研究领域存在的算法模型不统一、算法功能不明确以及算法应用领域模糊的问题,从生物免疫系统的功能机理出发,在总结和分析现有研究成果的基础上,明确应用方向,确定算法模型,提出一种用于特征数据提取的人工免疫网络算法——免疫特征映射网。在对算法功能和性能定性分析的基础上,通过仿真实验验证了所提算法在特征数据提取方面的可行性和有效性。     

人工免疫系统：一个新兴的交叉学科

本文介绍了基于人类免疫系统而发展的新兴交叉学科一人工免疫系统，对其发展历程、研究内容以及免疫工程进行了介绍，最后指出其发展方向。     

人工免疫算法与系统集成的研究

生物免疫系统是一个复杂、并行、鲁棒的自适应系统,以其智能的信息处理能力而逐渐备受关注。为使研究人员能全面了解人工免疫常用算法原理及其应用和免疫系统与其他智能系统的交叉融合研究,以及由此建立的人工免疫系统模型、算法,在简述免疫系统生物学原理的基础上,概括了不同的免疫算法和各自的特性,总结了当前人工免疫系统与人工神经网络、进化算法、模糊系统的集成情况及工程应用现状。最后讨论了人工免疫系统面临的问题及未来发展趋势。     

人工免疫系统及其模型分析

目前,受生物免疫系统启发而产生的人工免疫系统(Artificial Immune System,AIS)作为计算智能研究的新领域正在兴起。文中侧重以AIS的基本原理为线索,对其模型加以系统综述。介绍了人工免疫系统的生物原型及生物免疫系统模型。在此基础上讨论了3种人工免疫系统的网络模型:aiNet、骨髓模型及有限资源人工免疫系统。分别介绍了这3种主要模型的来源,详细描述了各个模型的基本思想,并归纳出各个模型的特征。     

一种应用免疫原理的计算机病毒检测方法研究

详细阐述了计算机病毒的特性和检测方法,以及生物免疫的原理和方法.借鉴人工免疫原理,设计了一个新的计算机病毒检测方法,该方法与传统的杀毒软件相比,增加了病毒防御的智能性,通过初步实验,测试了该方法的检测病毒的能力,检测的准确性和检测病毒的主动智能性,结果显示出此方法具有高效的适应性,自学习性和鲁棒性,能够高效地防御未知病...     

机器人学中应用的人工免疫原理、模型与展望

给出人工免疫与机器人学的四个结合模型：负选择、克隆选择、进化免疫、免疫网络．介绍其生物机理,归纳和评述了主要算法及在机器人中的应用成果. 与其它进化算法做了比较,并展望了进一步的研究方向．