动态多目标免疫算法及其应用

基于生物免疫系统的机理及功能,提出一种动态多目标免疫算法。利用抗体的被控度及浓度设计抗体的亲和力。用环境记忆池保存优秀抗体,并依抗体浓度更新。记忆细胞参与相似或相同环境初始抗体群的生成。借助动态多目标测试问题,与同类算法仿真比较,结果表明,该算法较其他算法表现出更好的性能,能快速跟踪动态Pareto面且分布均匀,具有较强的求解实际动态问题的能力。     

动态多目标免疫优化算法及性能测试研究

基于生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能，提出一种动态多目标免疫优化算法处理动态多目标优化问题．算法设计中，依据自适应ξ邻域及抗体所处位置设计抗体的亲和力，基于Pareto控制的概念，利用分层选择确定参与进化的抗体，经由克隆扩张及自适应高斯变异，提高群体的平均亲和力，利用免疫记忆、动态维持和Average linkage聚类方法，设计环境识别规则和记忆池，借助3种不同类型的动态多目标测试问题，通过与出众的动态环境优化算法比较，数值实验表明所提出算法解决复杂动态多目标优化问题具有较大潜力．     

改进的免疫优化算法对动态约束多目标问题的应用

基于进化理论的动态多目标优化算法极易陷入局部最优,跟踪动态Pareto有效面的速度及效果较差。基于免疫系统机理提出一种改进的免疫优化算法(DMIOA)用于动态约束多目标问题求解。算法通过抗体浓度及其支配度设计抗体与抗原亲和力,随机约束选择算子提高算法约束处理能力,环境识别算子自适应判断环境变化,根据识别结果以不同的方式产生新环境的初始抗体群。数值实验中,将DMIOA应用于两种动态标准测试问题及飞机减速器参数动态设计问题的求解,结果表明:DMIOA能快速跟踪动态Pareto有效面,且在各环境所获面分布均匀,具有较好的实际问题求解能力。     

多目标约束优化免疫算法研究及其应用

基于生物免疫中抗体应答抗原的机理,提出具有动态性能的多目标约束优化算法,解决一般性的多目标约束最优化问题.该算法的关键在于如何充分模拟免疫应答的机制构建算子模块,以及如何提出约束条件处理和聚类新方法有效解决优化问题.其特点是稳健性及记忆细胞集保存优良抗体并用聚类算法限制其规模,抗体群规模动态调节及抗体应答的对象是抗原群,群体具有自我调节多样性和自适应环境的能力且能并行处理复杂优化问题.仿真事例比较验证该文算法的有效性及能处理高维优化问题.     

基于免疫应答原理的多目标优化免疫算法及其应用

基于免疫应答原理，合理地构建免疫算子及引入一种新的小生境技术, 提出一种 解决多目标优化问题的免疫算法. 在此算法中，将优化问题的可行解对应抗体及Pareto最优个体对应抗原，这种抗原存于抗原群中,并应用新的聚类算法不断更新抗原群中的抗原, 进而获大量的Pareto最优解, 这些解能很好地分布在Pareto面（此指由Pareto最优解构成）上. 理论证明了该算法能获Pareto最优解. 最后，将该文的算法与文献\[3\]的算法SPEA进行仿真比较, 获该算法的有效性, 此表明免疫算法解决多目标优化问题具有广阔的前景.     

自适应变尺度混沌免疫优化算法及其应用

结合混沌优化算法与免疫算法的特点,提出了一种采用折叠次数无限的自映射X=sin(2/x)产生混沌变量的自适应变尺度混沌免疫优化算法.该算法通过自适应变尺度方法不断调整优化变量的搜索空间,同时采用最大循环次数作为控制指标,既保证了寻优的准确性,又保证了算法的快速性.应用该算法对3个测试函数进行优化计算得到了比较满意的结果.将此算法应用于移动Ad Hoc网络入侵检测时的仿真实验结果表明,自适应变尺度混沌免疫优化算法能有效地减少对训练样本的依赖,同时减少噪音数据对入侵检测系统性能的影响,适用于移动自组网络对于入侵检测系统高检测率、高抗噪能力和低计算延迟的要求.     

基于混沌的多目标粒子群优化算法

针对多目标优化问题,提出了一种改进的粒子群算法.该算法为了寻找新解,引入了混沌搜索技术,同时采用了一种新的方法--拥挤距离法定义解的适应度.并采取了精英保留策略,在提高非劣解集多样性的同时,使解集更加趋近于Pareto集.最后,把算法应用到4个典型的多目标测试函数.数值结果表明,该算法能够有效的收敛到Pareto非劣最优目标域,并沿着Pareto非劣目标域有很好的分散性.     

基于Pareto的多目标优化免疫算法

免疫算法具有搜索效率高、避免过早收敛、群体优化、保持个体多样性等优点。将其应用于多目标优化问题,建立了一种新型的基于Pareto的多目标优化免疫算法(MOIA)。算法中,将优化问题的可行解对应抗体,优化问题的目标函数对应抗原,Pareto最优解被保存在记忆细胞集中,并利用有别于聚类的邻近排挤算法对其进行不断更新,进而获得分布均匀的Pareto最优解。文章最后,对MOIA算法与文献[3]中SPEA算法进行仿真,通过比较两者的收敛性和分布性,得到了MOIA优于SPEA的结论。     

基于知识域的多目标优化免疫算法

针对传统免疫算法存在早熟收敛以及多样性不足的问题,提出一种基于知识域的多目标优化免疫算法。通过初始化知识域选择精英解,利用该精英解集自适应更新知识域的边界,从而维持算法收敛性与多样性的平衡。测试结果表明,相比NSGAII、SPEAII算法,该算法在运行时间、多样性以及覆盖性方面具有较大优势。     

免疫克隆算法求解动态多目标优化问题

求解动态多目标优化(dynamic multi-objective optimization,简称DMO)问题的主要困难在于目标函数、约束条件或者相关的问题参数是随时间不断变化的.基于免疫克隆选择学说,提出一种用于解决DMO问题的新算法--动态多目标免疫克隆优化(immune clonal algorithm for DMO,简称ICADMO).该算法改进了现有的克隆策略,采用整体克隆的方式;在选择策略上,根据Pareto-占优的概念,将抗体群中的个体分为支配个体和非支配个体,对非支配个体进行选择.采用3个特色算子,使其很好地保持了所得解的多样性、均匀性和收敛性.通过数值实验,与DBM(direction-based method)算法进行比较,结果表明,新算法在收敛性、多样性以及解分布的广度方面都体现了很好的性能.     

Community Detection in Dynamic Social Networks Based on Multiobjective Immune Algorithm

Community structure is one of the most important properties in social networks,and community detection has received an enormous amount of attention in recent years.In dynamic networks,the communities may evolve over time so that pose more challenging tasks than in static ones.Community detection in dynamic networks is a problem which can naturally be formulated with two contradictory objectives and consequently be solved by multiobjective optimization algorithms.In this paper,a novel multiobjective immune algorithm is proposed to solve the community detection problem in dynamic networks.It employs the framework of nondominated neighbor immune algorithm to simultaneously optimize the modularity and normalized mutual information,which quantitatively measure the quality of the community partitions and temporal cost,respectively.The problem-specific knowledge is incorporated in genetic operators and local search to improve the effectiveness and efficiency of our method.Experimental studies based on four synthetic datasets and two real-world social networks demonstrate that our algorithm can not only find community structure and capture community evolution more accurately but also be more steadily than the state-of-the-art algorithms.     

基于混沌和免疫应答的增量聚类新算法

受免疫应答原理的启发, 提出了一种适用于增量数据聚类的人工免疫系统框架, 以及在此框架上的结合混沌的自组织增量聚类新算法, 称为免疫应答算法(Immune response algorithm, IRA). 新算法利用Logistic混沌序列生成初始抗体种群, 利用其多样性识别新增的不属于任何已知簇的数据, 该过程模拟了初次免疫应答. 同时, 初次免疫应答形成的记忆抗体可用于二次免疫应答, 即识别新增的属于已知簇的数据. 为了减少数据冗余, 算法用中心点和代表点表示已知簇并动态更新其识别区域, 这样算法不但能动态、自组织地形成聚类, 而且实现了数据特征的提取. 模拟实验充分显示出该算法无论在聚类质量上还是数据特征的提取上, 都具有一定优势, 且具有参数数量少、速度快、对数据输入次序不敏感的优点, 在实际问题中有一定应用价值.     

基于免疫学习机制的遗传算法及其应用

针对基本遗传算法在进化后期收敛速度慢、易早熟收敛的问题,提出一种基于免疫学习机制的遗传算法(ILGA)．该算法的核心在于保持种群的多样性和执行强化学习及弱小保护策略,算法不仅保持了优良抗体在进化中的主导地位,而且充分发掘强成长性抗体的寻优潜力,在优良记忆库的作用下,算法对全局最优的搜索快速且有效．通过标准函数的优化试验,仿真结果表明该算法有较强的全局收敛能力和较快的收敛速度．以二级倒立摆为被控对象,利用ILGA优化T S模糊神经网络控制器,实验证明了该方法具有稳态性好、响应速度快等优点．     

基于混沌理论的免疫遗传算法

为提高免疫遗传算法的运算效率,根据免疫系统本身的混沌特性,提出了一种混沌免疫遗传算法。该算法利用混沌系统的遍历性来减少数据冗余,利用混沌系统的初值敏感性来扩大搜索范围,从而保持了种群的多样性,避免了局部最优。实验表明,该算法比传统的免疫遗传算法具有更高的收敛速度及收敛性能。     

基于混沌局部搜索的粒子群算法及其应用

为提高混沌优化搜索结果的精度,在以粒子群算法进行全局搜索的基础上,根据全局搜索结果利用混沌优化进行局部搜索,实现在全局范围上搜索最优值.分析局部混沌搜索方法,设计基于混沌局部搜索的粒子群算法的流程,利用混沌优化进行粒子群局部搜索以跳出局部最优搜索区域,避免陷入局部极小值和实现在全局范围上搜索目标函数的最优值.以RMSE...     

基于免疫的专家系统动态克隆更新算法

文章基于人工免疫系统培育识别器的原理,在现有的专家系统的基础上,提出了专家系统推理机动态克隆更新的算法,初步解决了已有专家系统知识库动态更新复杂的问题。     

动态免疫优化算法及其在背包问题中的应用

利用人工免疫系统的学习、记忆、识别等功能,提出一种动态免疫优化算法(DIOA),用于解决一类高维动态约束优化问题.其中对可行抗体进行克隆突变操作,非可行抗体按价值密度使用贪婪算法进行修正,环境识别模块借助记忆细胞产生新的环境初始群,从而加快算法收敛速度.利用DIOA求解不同环境下的高维背包问题,结果表明,与同类算法相比...     

基于混沌免疫进化算法的聚类算法分析

结合免疫进化算法和混沌优化算法各自在数据空间搜索的优势,本文提出了一种新的基于混沌免疫进化算法的模糊c_均值聚类算法.该算法实现了从全局到局部的两层领域搜索机制,且仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度.     

基于二维混沌映射的免疫算法研究

网络环境的不断变化和计算机病毒的不断变异,使得计算机病毒越来越难以防范和检测.针对当前计算机病毒检测过程中检测器的生成效率问题,提出了一种基于生物免疫机制和混沌理论的检测器生成算法.该算法利用改进的否定选择算法来提高有效检测器的生成效率,以及检测器的覆盖率.通过实验,表明该算法的性能得到有效地改善,大大减少了不可避免的...