基于克隆选择调节算法的IIR数字滤波器设计

在克隆选择算法的基础上．结合独特型免疫网络理论中抗体间的自适应动态调节思想，提出一种新的免疫算法——克隆选择调节算法（CSAA）．并用于IIR数字滤波器的设计．该算法能更好地保持解的多样性及收敛速度快．有效地避免了早熟现象．对多个典型系统进行随机仿真并与其他方法进行比较研究，结果表明．该算法在多模态搜索空间中具有更好的全局收敛性和稳定性．是一种有效可行的IIR数字滤波器设计方法．     

基于免疫原理的量子进化算法及收敛性研究

分析量子进化算法的特点及免疫进化的机理，提出一种基于免疫算子的量子进化算法．该算法通过免疫克隆选择、免疫细胞交叉变异、记忆细胞产生、抗体相似性抑制等进化机制，可以最终找出最优解，比传统的量子进化算法具有更好的种群多样性，更快的收敛速度和全局寻优能力．不仅从理论上证明了所提出算法的收敛性，而且通过仿真实验表明了该算法的优越性．     

一种改进型克隆选择算法及其几乎处处强收敛性研究

基于克隆选择原理,引入混沌机制和小生境技术,提出一种改进型克隆选择算法(ICSA).该算法比传统的克隆选择算法具有更好的种群多样性和全局寻优能力.以随机过程理论为数学工具,分析了ICSA所形成抗体种群的平均适应度函数的鞅性质,并由此得出算法几乎处处强收敛性的结论.进而证明了,当状态空间有限时,该算法能在有限步内以概率1收敛到全局最优.仿真实验表明,该算法能有效地抑制早熟,具有更好的全局收敛性.     

一种基于差分进化和免疫克隆选择算法的混合优化方法

为了提高免疫克隆选择算法的搜索能力,提出了一种基于差分进化和免疫克隆选择算法的混合优化方法。该方法采用差分进化提高免疫克隆选择算法的抗体亲和度,并对该算法的收敛性进行了分析。为了测试该算法的有效性,将该算法应用于函数优化问题中。仿真结果表明,该方法具有更高的收敛速度和收敛精度。     

一种免疫记忆动态克隆策略算法

基于对克隆选择及免疫记忆动态过程的模拟,本文提出了一种人工智能算法,免疫记忆动态克隆策略算法,该算法模拟免疫系统的自我调节、记忆学习、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,通过抗体与抗原的亲合度和抗体间亲合度的计算,促进和抑制抗体的产生,自适应地调节抗体群和记忆单元的克隆规模.理论分析证明该算法以概率1收敛,对多峰函数优化及货郎担问题的仿真试验表明,算法有效,而且具有全局搜索能力强,种群多样性好及收敛速度快等特点.     

免疫多克隆策略

基于细胞克隆选择学说，系统阐述了用于人工智能的多克隆算子。将多克隆算子用于进化算法，提出了改进的进化策略算法——免疫多克隆策略算法，并基于Markov链的有关性质，证明了该算法的收敛性。理论分析和仿真实验表明，与传统的进化策略算法相比，该算法有效克服了早熟问题，保持了抗体的多样性，而且收敛速度快。     

混沌免疫进化算法及其在函数优化中的应用

基于免疫系统的克隆选择机理,并利用混沌序列的遍历性,提出一种混沌免疫进化算法.算法首先将混沌序列引入算法初始群体的产生和抗体的扩展过程.其次将待扩展群体中的个体亲和度进行变换以调节个体的选择概率.最后利用概率分析方法,给出算法的全局收敛性证明.为了验证算法的有效性,将算法应用于函数优化问题.用不同的测试函数进行仿真实验.仿真结果表明该算法具有不易陷入局部最优、解的精度高、收敛速度快等优点.     

一种克隆选择算法的收敛性分析

针对目前的免疫算法很少涉及分析其理论模型和收敛性的问题,就免疫算法中的一种克隆选择算法提出了该算法的收敛性分析。分析过程主要分为两步：首先利用马尔可夫链建立了这种克隆选择算法的马尔可夫模型,然后在此模型的基础上进一步分析了该算法的收敛性。分析结果从数学的角度证明了该算法是收敛的。为该算法进一步的完善、实用提供了一定的理论基础。     

一种免疫微粒群优化算法

引入克隆选择操作和借鉴免疫学习中较好的多样性来克服微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点，构建了一种免疫微粒群算法。将该算法应用于4个常见的测试函数，实验结果表明，该算法比标准微粒群算法有更好的收敛性和更快的收敛速度。     

一种并行免疫进化策略算法研究

基于克隆选择原理，提出一种自适应并行免疫进化策略．在算法中根据抗体抗原亲和度将初始抗体种群分为两个子群，相应地提出了精英克隆算子和超变异算子．通过精英克隆算子提高算法局部搜索能力，同时利用超变异算子维持种群多样性，通过这两个功能互补算子的并行操作实现种群进化．仿真表明，自适应并行免疫进化策略搜索效率高，能有效抑制早熟收敛现象，可用于解决复杂机器学习问题．     

Clonal Strategy Algorithm Based on the Immune Memory

Based on the clonal selection theory and immune memory mechanism in the natural immune system, a novel artificial immune system algorithm, Clonal Strategy Algorithm based on the Immune Memory (CSAIM), is proposed in this paper. The algorithm realizes the evolution of antibody population and the evolution of memory unit at the same time, and by using clonal selection operator, the global optimal computation can be combined with the local searching. According to antibody-antibody (Ab-Ab) affinity and antibody-antigen (Ab-Ag) affinity, the algorithm can allot adaptively the scales of memory unit and antibody population. It is proved theoretically that CSAIM is convergent with probability 1. And with the computer simulations of eight benchmark functions and one instance of traveling salesman problem (TSP), it is shown that CSAIM has strong abilities in having high convergence speed, enhancing the diversity of the population and avoiding the premature convergence to some extent.     

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.     

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.     

基于区间套理论的克隆选择算法的收敛性研究

克隆选择算法是基于免疫学中的克隆选择学说而产生的一种免疫优化算法。它通过克隆算子进行操作。本文首先介绍了标准的克隆选择算法;其次引入了克隆算子并对标准的克隆选择算法进行改进;然后以数列知识为基础,以抗体群的克隆选择过程为对象,对克隆选择算法的收敛性进行分析;最后应用区间套定理证明了算法的全局收敛性。     

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.     

噪声环境下精英克隆选择算法的收敛性分析

利用随机过程相关理论对加性噪声环境下精英策略克隆选择算法(ECSA)的全局收敛性进行了研究. 首先采用有序对的状态表示方法构造精英克隆选择算法在噪声环境中的Markov链; 然后将算法种群中最佳亲和度函数的进化过程转化为下鞅, 利用鞅理论证明了种群最佳亲和度函数的全局收敛性; 最后通过分析加性噪声环境下精英克隆选择算法的状态转移概率的特性, 证明了精英克隆选择算法在加性噪声环境下最终能以概率1 收敛到全局最优解.     

基于云免疫算法的认知无线网络参数优化

为了提高认知无线网络的参数优化效果,提出了一种基于免疫优化的认知引擎参数调整算法。免疫克隆优化是一种有效的智能优化算法,适合求解认知无线网络的引擎参数调整问题。免疫优化中,变异概率影响着算法的搜索能力;利用正态云模型云滴的随机性和稳定倾向性特点,提出了一种基于云模型的自适应变异概率调整方法,并用于认知无线网络的参数优化。在多载波环境下对算法进行了仿真实验。结果表明,所提算法收敛速度较快,参数调整结果与对目标函数的偏好一致,能够实现认知引擎参数优化。     

采用生物信息克隆的免疫算法

受克隆选择过程生物学原理的启发, 提出了一种采用生物信息克隆的免疫算法. 抗体克隆依赖于一个动态平衡的网络, 并与遗传因素相关. 为了解决传统克隆过程中信息不能充分利用的问题, 该进化算法将环境信息、抗体历史信息以及抗体遗传特征积累的影响引入人工免疫系统, 用这多种信息作为先验知识为克隆过程提供决策支持, 引导抗体系统的更新. 同时采用实数与二进制混合编码方式增加种群多样性, 提高收敛速度, 然后分析了该算法的收敛性. 仿真实验结果表明, 该克隆策略能较大的提高免疫克隆算法的优化能力; 与几种高级免疫克隆算法和进化算法相比, 该算法寻优精度高, 收敛速度快, 能有效的克服早熟现象, 并具有很好的高维优化能力.     

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。