遗传算子对免疫算法性能影响的分析

在研究现有进化算法的优越性与存在不足的基础上,受生物免疫原理的启发,提出了一种新的算法--免疫算法.免疫算法是在免疫系统识别多样性的启发下所设计出的一种随机启发式算法,其参数的取值和操作的具体实现形式对算法的性能有较大的影响.本文详细地讨论了基于信息熵概念的免疫算法并分析了交叉和变异遗传算子对免疫算法性能的影响,将遗传算法的非均匀变异操作引入免疫算法,模拟实验结果表明了改进算法的有效性.     

自适应分层免疫算法

免疫算法是一种新型的导向性随机启发式搜索算法,文章在简单介绍免疫算法基本原理及操作步骤的基础上,针对几个关键参数和操作算子对算法性能的影响进行探讨。提出根据具体的问题,结合各种形式免疫算法,建立一个自适应分层免疫算法。实验表明:自适应分层免疫算法能结合各底层免疫算法的优点,具有收敛速度快、寻解能力强等优点。     

免疫算法的改进

免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法。尽管免疫系统本身具有许多优良的计算特性,但已有的免疫算法模型却存在着不少缺陷,在已有的免疫算法的基础上,进行合理的改进,在保证群体的多样性性能的同时,加入了促使群体快速持续收敛的操作,并通过实验表明了改进算法具有更好的性能。     

混沌免疫优化组合算法

利用混沌迭代的遍历性和内在随机性。提出一种混沌免疫优化组合算法．该算法综合了免疫进化算法和混沌优化算法各自的空间搜索优势，将混沌变量加载于免疫算法的变量群体．利用混沌搜索的特点对记忆库群体进行微小扰动，并逐步调整扰动幅度．实验结果表明，该算法能明显改善免疫进化算法的收敛性能，搜索效率也得到了显著提高．     

智能优化在多用户检测中的应用

为进一步提高离散混合蛙跳算法（DSFLA）的性能,将免疫算法和克隆选择理论分别与DSFLA相结合,提出了免疫蛙跳算法（IDSFLA）和克隆蛙跳算法（KDSFLA）,利用这两种智能算法得到两种新的多用户检测器。IDSFLA是在DSFLA的每一族内更新中,嵌入免疫算法,利用Hopfield神经网络（HNN）快速产生最优个体作为疫苗母本,提高算法的全局收敛能力;KDSFLA在族内更新中,利用克隆算法的消亡操作,淘汰适应度低的青蛙个体,保证最优个体的有效进化。仿真结果表明,所提出的两种多用户检测器,在误码率、收敛速度、系统容量、抗远近能力等方面都有显著改善。     

IMPR:一种优于RETE算法的多模式/多对象匹配算法

RETE算法是应用于产生式系统的 ,迄今为止被认为是性能最好的匹配算法 .但该算法本身也包含某些影响执行效率的因素 .本文在分析该算法优缺点的基础上 ,针对该算法删除操作与栈操作开销过大的情况 ,提出了一种新的匹配算法—— IMPR算法 ,并通过理论分析和实验检验表明 ,在各种情况下 ,IMPR均优于 RETE     

一种基于免疫算子的SVM算法

SVM是一种基于核函数的机器学习算法，因为它具有良好的推广性和较好的性能，所以成为近些年来大家所关注的热点，但是该算法存在两个问题：一、如何提高SVM的计算精度；二、如何减少计算时间。本文提出一种使用免疫算子的SVM算法，该算法不但能够提高SVM的性能使其更加接近于实际问题，还能避免因问题太复杂使得结果不是最优解的情况。文中最后对样本进行了实验，结果说明了使用免疫算子的方法比经典方法在分类效果上有明显提高。     

基于免疫量子进化算法的负载均衡策略

在集群系统任务调度和分配中，提出一种基于免疫量子进化算法的负载均衡策略。该策略采用量子化编码和量子进化操作优化任务分配，在量子陷入局部极值下，引入免疫操作进行接种疫苗和免疫选择，从而增加种群多样性。仿真结果表明，与SGALB策略相比，该策略具有更高的搜索效率，其集群系统的整体性能更优。     

一种用于优化计算的自适应免疫算法

基于生物免疫系统中的学习机理,提出了一种新的优化算法———自适应免疫算法。算法包括选择、扩展和突变操作,扩展和突变操作分别在解空间中局部和全局范围内搜索最优解。定义了选择比例、扩展半径和突变半径三个新的算法参数,并提出了根据群体的多样度自适应调节算法参数的方法,以提高算法的全局寻优性能。对TSP问题的仿真验证了该算法的有效性。     

一种新的混合免疫算法

免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法。文章针对目前人工免疫算法在收敛于全局最优方面存在的缺陷,提出了一种模拟退火免疫算法,引入Boltzmann退火选择算子,利用模拟退火算法可选择性接受恶化解的特点克服传统免疫算法的缺陷,并通过实验证明了该混合免疫算法的优越性能。     

Adaptive niche quantum-inspired immune clonal algorithm

The adaptive niche quantum-inspired immune clonal algorithm (ANQICA) is proposed by combining the quantum coding, immune clone and niche mechanism together to solve the multi-modal function optimization more effectively and make the function converge to as many as possible extreme value points. The quantum coding can better explore the solution space, the niche mechanism ensures the algorithm to converge to multi-extremum and the adaptive mechanism is introduced according to the characteristics of each procedure of the algorithm to improve the effect of the algorithm. Example analysis shows that the ANQICA is better in exploration and convergence. Therefore, the ANQICA can be used to solve the problem of multi-modal function optimization effectively.     

基于新型免疫算法的多峰函数优化

针对目前多峰函数优化问题较难找到全部局部最优解的情况,提出了改进的免疫优化求解方法。借鉴免疫系统的受体编辑操作、Baldwin效应,设计了相应的算子,增强了算法的学习能力,提高了算法的收敛速度。实验结果表明,本算法求解精度较高,提高了多峰函数寻优的精度。     

带拥塞控制的多种群二元蚁群算法

二元蚁群算法在函数优化中有着良好的表现, 但仍存在易陷入局部最优和在多峰函数求解中无法同时得到多个解的缺陷. 使用拥塞控制策略改善算法的全局寻优能力, 同时引入多种群的思想, 提出了带拥塞控制多种群二元蚁群算法. 通过对几个不同函数(包括单峰与多峰)的测试, 实验结果表明该改进算法在保证较好的全局搜索能力的基础上, 拥有很好的多目标求解能力.     

基于免疫进化的多模态优化算法研究

结合对生物免疫系统的最新研究成果，基于免疫细胞中不同亲和度抗体具有不同的变异率，最终通过不断进化达到亲和度成熟机理的启示，设计并实现了一个多模态免疫优化算法(MIOA)。算法的主要操作算子包括超变异、正选择、记忆细胞产生和抗体相似性抑制。通过对不同的多模态测试函数进行仿真实验，证明算法可以找到多模态问题的多个最优解或尽可能多的局部最优解。通过与同类算法进行比较和计算复杂性分析，结果表明该算法不仅具有更好的搜索性能，而且计算量也大为减少。     

Multi-circle detection on images inspired by collective animal behavior

Hough transform (HT) has been the most common method for circle detection that delivers robustness but adversely demands considerable computational efforts and large memory requirements. As an alternative to HT-based techniques, the problem of shape recognition has also been handled through optimization methods. In particular, extracting multiple circle primitives falls into the category of multi-modal optimization as each circle represents an optimum which must be detected within the feasible solution space. However, since all optimization-based circle detectors focus on finding only a single optimal solution, they need to be applied several times in order to extract all the primitives which results on time-consuming algorithms. This paper presents an algorithm for automatic detection of multiple circular shapes that considers the overall process as a multi-modal optimization problem. In the detection, the approach employs an evolutionary algorithm based on the way in which the animals behave collectively. In such an algorithm, searcher agents emulate a group of animals which interact to each other using simple biological rules. These rules are modeled as evolutionary operators. Such operators are applied to each agent considering that the complete group maintains a memory which stores the optimal solutions seen so-far by applying a competition principle. The detector uses a combination of three non-collinear edge points as parameters to determine circle candidates (possible solutions). A matching function determines if such circle candidates are actually present in the image. Guided by the values of such matching functions, the set of encoded candidate circles are evolved through the evolutionary algorithm so that the best candidate (global optimum) can be fitted into an actual circle within the edge-only image. Subsequently, an analysis of the incorporated memory is executed in order to identify potential local optima which represent other circles. Experimental results over several complex synthetic and natural images have validated the efficiency of the proposed technique regarding accuracy, speed and robustness.     

基于免疫量子遗传算法的多峰函数寻优

针对多峰函数优化中的全局及局部寻优问题,提出了一种结合免疫克隆算子的量子遗传算法,给出了实现流程。该算法集量子遗传算法的快速性和免疫克隆算法全局搜索性于一身。它不仅有效克服了量子遗传算法容易陷于局部最优的缺点,也避免了普通免疫克隆算法计算缓慢的缺点。用多峰值函数进行了全局寻优的仿真实验,并与基本遗传算法,量子遗传算法的计算结果进行了比较,结果表明所提算法能以较快的速度搜索到全局最优解,并且其鲁棒性远高于普通量子遗传算法和遗传算法。     

并行二进制蚁群算法的多峰函数优化

针对已有蚁群算法在函数优化问题上存在的几个不足:如算法实现较难,占用过多的存储空间,需要记忆功能,不容易与其他算法结合等等,提出了二进制蚁群算法。实验证明该算法在处理单极值问题时有较好的表现,但是在处理多峰函数时存在着一定的缺陷,对此,论文对该算法进行了改进,将并行化引入算法。通过对几个函数的测试(包括多峰和单峰),结果表明该改进算法具有较好的稳定性和收敛速度,算法性能良好。     

基于小生境免疫遗传算法的硅钢片优化排样

提出一种基于小生境免疫遗传算法的多级序列优化方法,并解决硅钢片优化排样问题。以免疫算法为基础,通过遗传算法进化抗体群,利用小生境技术保持抗体群的多样性。遗传算子和免疫记忆策略加快了优良个体的产生,提高了算法的收敛速度。共享机制和克隆抑制策略提高了算法的全局搜索能力,有效地避免早熟收敛现象。实际生产数据排样结果表明,该算法是有效、可行的。