蚁群算法与免疫算法的融合及其在TSP中的应用

提出一种基于抗体片段局部最优搜索的克隆选择和蚁群自适应融合算法.引入混沌扰动来增加抗体种群的多样性,以提高蚁群算法的搜索能力;利用克隆扩增、免疫基因等相关算子的操作,增强了克隆选择算法搜索的效率;通过自适应控制参数,实现了克隆选择与蚁群优化的有机结合及局部最优搜索策略的应用,加快了收敛速度,克服了抗体种群早熟问题,提高了求解精度.仿真实验结果表明,该算法具有可靠的全局收敛性,较快的收敛速度.     

克隆选择算法分析及其改进的研究与应用

克隆选择算法被广泛应用到各个领域,为解决DeCastro克隆选择算法中存在的一些问题:需要根据人为经验确定种群规模的大小、种群训练的时间比较长、多峰搜索能力相对较弱,对其进行进一步的改进,运用新的克隆选择、克隆变异和最佳亲和度,并引入了抗体抑制操作,可动态确定种群大小,使算法具有较强的全局和局部搜索能力,同时也可以搜索到全局最优点和尽可能多的局部极值点.简单仿真实验结果表明,该算法的平均运行时间和找到峰值点个数都明显优于DeCastro克隆选择算法     

一种改进的克隆选择算法在多峰值函数优化中的应用

为了解决deCastro2002年提出的CLONALG算法在多峰值函数优化时多峰搜索能力弱、训练时间长的问题,本文提出了一种改进的克隆选择算法。该算法运用新的克隆选择操作、克隆变异操作和最佳抗体停止进化操作,并且引入了抗体抑制操作,不仅可以动态调整种群大小,具有较强的全局和局部搜索能力,而且搜索时间较短。与Castro的克隆选
择算法相比,本文算法在较短的时间内可以搜索到全局最优解和更多的局部最优解。     

基于变异记忆矩阵的克隆选择算法

利用免疫系统的免疫记忆机制,提出一种适于函数优化的基于变异记忆矩阵的克隆选择算法.首先,利用变异记忆矩阵保存进化中有用的变异信息,以引导抗体的克隆和变异操作,加强局部搜索能力;然后,利用当代种群的综合信息生成新抗体进入种群,以加强全局搜索能力;最后,对最优抗体进行自学习,以提高算法结果的精度.标准函数仿真表明,该算法适合求解复杂函数优化问题,具有收敛速度快、全局收敛能力强、精度高、鲁棒性强的优点.     

基于差异进化的克隆选择算法

针对免疫算法在全局优化过程中多样性不足的问题,将差异进化引入克隆变异操作中,提出了一个新的改进的克隆选择算法——基于差异进化的克隆选择算法(DECSA),算法将差异进化和克隆超变异相结合,促进了抗体与抗体之间的信息融合,使得子代抗体继承父代抗体的信息的同时,携带着不同父代个体信息,丰富了抗体种群的多样性,实现了在同一父代抗体周围的多个方向同时进行全局和局部搜索。对13个标准测试函数的测试结果及与已有的算法的比较表明,该算法表现出较好的局部搜索和全局搜索能力。     

一种求解TSP问题的分层免疫算法

为提高人工免疫算法求解旅行商问题的效率,构造了一种基于多子种群免疫进化的两层框架模型.在此模型的基础上提出了分层局部最优免疫优势克隆选择算法(HLOICSA).通过对多个子种群进行低层免疫操作--局部最优免疫优势、克隆选择、基于信息熵的抗体多样性改善和高层遗传操作--选择、交叉、变异,增强优秀抗体实现亲和力成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡.针对TSP的实验结果表明,该算法具有可靠的全局收敛性及较快的收敛速度.     

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.     

基于Cat混沌与高斯变异的改进灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点,提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置,为算法全局搜索过程的种群多样性奠定基础;同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度;最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验,结果表明,与基本GWO算法、PSO算法、GA算法以及ACO算法相比,该算法具有更好的求解精度和更快的收敛速度。     

分级变异的动态克隆选择算法

基于浮点数编码，提出一种分级变异的动态免疫克隆选择优化算法．根据抗体的亲和度将种群分解为3个子种群，分配以不同的搜索任务，实施不同的变异策略．在进化过程中动态改变种群规模、克隆规模和变异参数，从而加快了全局搜索速度，提高了局部搜索精度．对5个复杂函数的优化仿真实验表明了该算法的有效性。     

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。     

基于多记忆抗体克隆选择的人工免疫网络算法

在优化克隆算法的研究中,针对传统的克隆选择算法存在收敛性差和局部最优问题,提出一种多记忆抗体克隆选择原理的人工免疫网络算法。在克隆选择算法的基础上通过引入替代阀值因子,利用随机生成的新抗体组成种群替代原种群中对抗原亲和力最小抗体,同时增设变异概率的概念,达到在一定程度上避免记忆抗体种群的退化现象,提高算法的全局优化能力,避免陷入局部最优。仿真结果表明,算法加快了种群亲和力成熟的进程,随着进化代数的增加检测率总体呈上升趋势,能更好的应用于大规模各种识别问题中。     

自适应混合变异克隆选择算法研究

克隆选择算法是免疫入侵理论中检测器进化的核心。传统免疫克隆选择算法中通过单一的变异很难同时兼顾全局和局部搜索,从而导致容易陷入局部最优或者收敛速度慢等弊端,通过引入文化算法,实现种群空间和信仰空间双层进化,在变异时将全局搜索能力强的柯西变异和局部搜索能力强的混沌变异相结合,提出了自适应混合变异克隆选择算法,利用信仰空间的知识来自适应地确定两种变异的作用时间和作用比例,通过KDDCUP99数据集进行测试,结果显示该算法有较好的收敛性和鲁棒性。     

克隆选择算法的优化和品质因数

针对传统的克隆选择算法可能存在的早熟收敛现象和缺少交叉操作问题,提出一种高效的克隆退火优化算法.该算法结合了模拟退火算法与免疫系统的克隆选择机制,并保持全局搜索和局部搜索的平衡,可以有效提高算法的搜索效率,从而加快算法的收敛速度.同时,提出一种品质因数模型来分析该算法的动态性能,并运用Markov链理论对其收敛性进行分析.最后,将该算法应用到关联规则数据挖掘中,取得了较为理想的实验结果.     

Intelligent multi-user detection using an artificial immune system

Artificial immune systems (AIS) are a kind of new computational intelligence methods which draw inspiration from the human immune system. In this study, we introduce an AIS-based optimization algorithm, called clonal selection algorithm, to solve the multi-user detection problem in code-division multiple-access communications system based on the maximum-likelihood decision rule. Through proportional cloning, hypermutation, clonal selection and clonal death, the new method performs a greedy search which reproduces individuals and selects their improved maturated progenies after the affinity maturation process. Theoretical analysis indicates that the clonal selection algorithm is suitable for solving the multi-user detection problem. Computer simulations show that the proposed approach outperforms some other approaches including two genetic algorithm-based detectors and the matched filters detector, and has the ability to find the most likely combinations.     

动态环境的人工免疫网络多Agent优化策略

基于生物免疫网络的核心思想及多Agent技术,提出了动态环境下的人工免疫网络多Agent优化策略（Dmaopt—aiNet）．该策略以搜索动态环境中的全局最优解为目标,引入了邻域克隆选择、邻域竞争和协作操作,并同时对Agent自信度状态作自动调整,在优化策略中采用了双重Agent网络结构、双重变异及动态环境检测策略．理论分析了Dmaopt—aiNet算法具有全局收敛性,实验结果表明该算法对高维动态优化问题具有较突出的优越性,能准确定位动态环境下的最优解,具有较好的搜索效果和效率．     

An immune memory clonal algorithm for numerical and combinatorial optimization

Inspired by the clonal selection theory together with the immune network model, we present a new artificial immune algorithm named the immune memory clonal algorithm (IMCA). The clonal operator, inspired by the immune system, is discussed first. The IMCA includes two versions based on different immune memory mechanisms; they are the adaptive immune memory clonal algorithm (AIMCA) and the immune memory clonal strategy (IMCS). In the AIMCA, the mutation rate and memory unit size of each antibody is adjusted dynamically. The IMCS realizes the evolution of both the antibody population and the memory unit at the same time. By using the clonal selection operator, global searching is effectively combined with local searching. According to the antibody-antibody (Ab-Ab) affinity and the antibody-antigen (Ab-Ag) affinity, The IMCA can adaptively allocate the scale of the memory units and the antibody population. In the experiments, 18 multimodal functions ranging in dimensionality from two, to one thousand and combinatorial optimization problems such as the traveling salesman and knapsack problems (KPs) are used to validate the performance of the IMCA. The computational cost per iteration is presented. Experimental results show that the IMCA has a high convergence speed and a strong ability in enhancing the diversity of the population and avoiding premature convergence to some degree. Theoretical roof is provided that the IMCA is convergent with probability 1.     

融合云模型和反向学习的克隆选择算法

为了进一步改善高维对象优化时免疫克隆算法的种群多样性,提高算法全局优化能力和搜索效率,提出了融合云模型和反向学习的克隆选择算法。引入云模型概念,使用正向云发生器产生云变异因子,进而对克隆后种群进行变异;利用反向学习策略,对变异前后的种群求反向解,进而实现种群抗体选择;通过马尔可夫链理论证明了算法收敛性。六组高维函数测试结果表明,与差分遗传算法、免疫遗传算法和自适应混沌克隆选择算法相比,该算法实现了100%的寻优,且最小收敛代数、平均收敛代数及迭代代数标准差分别平均减少33.7%、19.8%、29.1%,从而验证了其强优化能力、高搜索效率和好稳定性。     

An immune memory clonal algorithm for numerical and combinatorial optimization

Inspired by the clonal selection theory together with the immune network model, we present a new artificial immune algorithm named the immune memory clonal algorithm (IMCA). The clonal operator, inspired by the immune system, is discussed first. The IMCA includes two versions based on different immune memory mechanisms; they are the adaptive immune memory clonal algorithm (AIMCA) and the immune memory clonal strategy (IMCS). In the AIMCA, the mutation rate and memory unit size of each antibody is adjusted dynamically. The IMCS realizes the evolution of both the antibody population and the memory unit at the same time. By using the clonal selection operator, global searching is effectively combined with local searching. According to the antibody-antibody (Ab-Ab) affinity and the antibody-antigen (Ab-Ag) affinity, The IMCA can adaptively allocate the scale of the memory units and the antibody population. In the experiments, 18 multimodal functions ranging in dimensionality from two, to one thousand and combinatorial optimization problems such as the traveling salesman and knapsack problems (KPs) are used to validate the performance of the IMCA. The computational cost per iteration is presented. Experimental results show that the IMCA has a high convergence speed and a strong ability in enhancing the diversity of the population and avoiding premature convergence to some degree. Theoretical roof is provided that the IMCA is convergent with probability 1.     

一种基于免疫原理的多目标优化方法

借鉴生物免疫原理中抗体多样性产生及保持的机理，建立了一种多目标优化方法．该方法定义了多目标选择熵和浓度调节选择概率的概念，采用了抗体克隆选择策略和高度变异策略．最后采用四种典型的多目标优化函数，将本方法同几种常用的多目标遗传算法进行了比较研究，证明了所建立的基于免疫原理的多目标优化方法能有效解决多目标优化问题且具有一定的优越性．