一类具有精英学习能力的增强型人工免疫网络优化算法研究

本文提出了一种用于求解优化问题的具有精英学习能力的增强型人工免疫网络(EaiNet-EL)算法. 该算法集成了亲和力学习和精英学习, 并采用两个控制因子分别调节其学习速度. 本文对控制因子的灵敏度作了探讨, 并在两个经典函数的优化实验中将提出的EaiNet-EL算法同传统aiNet算法作了比较研究. 实验结果表明, EaiNet-EL在最优解质量和收敛速度上都要优于传统aiNet算法. 作为应用实例, 工业PID控制器被用于测试EaiNet-EL算法的性能. 实验所得的阶跃响应曲线说明, 使用EaiNet-EL得到的系统性能要优于使用其它三种方法得到的系统性能.     

一种新型遗传算法

给出了一种基于拉马克学习和精英保留策略的新型遗传算法。设计了拉马克学习规则和拉马克遗传算法框架,给出了算法收敛性的数学证明,并利用测试函数与经典遗传算法进行了对比实验。实验结果表明,该算法具有较好的收敛性能和局部搜索能力,可以用于求解各种工程优化问题。     

朴素贝叶斯增量学习在病毒上报分析中的应用

未知类别样本的增量学习中,合理的学习序列能够优化分类器性能,提高分类精度。从优先学习的样本被正确分类概率大小的角度,提出了一种基于样本分类结果可信度的朴素贝叶斯增量学习序列算法。该算法将学习样本分类结果中可信度大的样本优先进行增量学习。在此算法基础上,实现一个病毒上报分析系统用于可疑样本的自动化分析与检测。实验结果表明,经该算法增量学习后的分类器检测效果优于随机增量学习。     

一种遗传算法与粒子群优化的多子群分层混合算法

针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点, 本文从种群个体组织结构上着手, 进行优势互补, 提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization, HGA–PSO). 算法采用分层结构, 底层由一系列的遗传算法子群组成, 贡献算法的全局搜索能力; 上层是由每个子群的最优个体组成的精英群, 采用钳制了初始速度的粒子群算法进行精确局部搜索. 文中分析论证了HGA–PSO算法具有全局收敛性, 并采用7个典型高维Benchmark函数进行测试, 实验结果显示该算法的优化性能显著优于其他测试算法.     

评价优化算法的一般性方法及其应用

现有的评价启发式算法性能的方法有许多种,但是它们的评价标准各不相同.从启发式算法的共性出发,通过分析影响算法性能的各方面因素,提出评价启发式优化算法的一般性方法. 介绍了为寻找最简洁版本优化算法而得到的学习算法(LA),并且将该方法运用到对学习算法性能的评价中,得出了学习算法是一种优于经典的遗传算法(GA)和微粒群算法(PSO)的有效的启发式优化算法.     

基于小波精英解学习和多角度搜索的新型阴阳平衡优化算法

针对基本阴阳平衡优化算法计算精度低和优化速度慢等问题,提出一种新型阴阳平衡优化算法.首先,设计小波精英解学习策略,充分利用精英解的进化信息产生高质量的解,用于算法的全局勘探和局部开发;然后,将搜索角度引入解更新方程中,以实现对算法搜索空间的全方位搜索,并对所提出算法的收敛性进行理论分析;最后,采用连续优化测试函数和瓶颈旅行商问题进行数值实验,并将所提出算法与多种智能优化方法进行比较.实验结果表明,所提出算法具有更好的优化性能.     

基于粒子群优化的BP网络学习算法

本文提出一种新颖的基于粒子群优化的BP网络学习算法，该算法是一种全局随机优化算法。用Iris分类问题，将所提出的算法与BP算法作了对比实验。实验结果表明：所提出的算法性能优于BP算法，而且具有良好的收敛性。     

面向多峰优化问题的自主学习萤火虫算法

萤火虫算法在处理多峰优化问题时易陷入局部最优,针对该问题提出一种自主学习萤火虫算法.该算法将粒子按适应度划为自主学习粒子和普通粒子,自主学习粒子从种群中随机选择一个粒子并随机选择一个维度,使用3种学习策略产生3个候选解,在自身以及候选解中选择最好的解;普通粒子同时选择两个优于自身的粒子进行学习.自主学习粒子能够维持算法对多个极值空间的探索并提高算法优化精度;普通粒子以两个粒子的混合信息为指引,使算法跳出局部最优.此外,使用淘汰机制,让算法舍弃对劣质极值空间的维护,进而提高对优质极值空间的开发,实验结果表明,所提出算法在处理多峰优化问题时具有高效的性能.     

支持向量机-模糊推理自学习控制器设计

常规的模糊推理系统大多由专家经验建立模糊规则,自学习能力不强.提出了一种支持向量机-模糊推理系统,由支持向量机实现模糊推理系统的自学习,并设计了一种支持向量机-模糊推理自学习控制器.文章给出了自学习控制器的结构和学习算法,对比研究了变尺度梯度优化和混沌优化两种学习算法.针对非线性对象的仿真实验验证了该控制器的优良性能,控制效果比模糊逻辑控制器更好.     

基于免疫网络的k-means文档聚类算法研究

提出了一种把人工免疫网络(aiNet)和k-means算法结合的文档聚类算法.先把文档集预处理成向量集表示,基于向量之间的余弦相似度,用aiNet算法对文档进行聚类,用得到的相似度矩阵初始化k-means的聚类中心,再用k-means算法对文档聚类.实验结果表明,该算法是可行的,并且能改善聚类质量.     

Adaptive hierarchical artificial immune system and its application in RFID reader collision avoidance

This paper proposes an efficient adaptive hierarchical artificial immune system (AHAIS) for complex global optimization problems. In the proposed AHAIS optimization, a hierarchy with top-bottom levels is used to construct the antibody population, where some antibodies with higher affinity become the top-level elitist antibodies and the other antibodies with lower affinity become the bottom-level common antibodies. The elitist antibodies experience different evolutionary operators from those common antibodies, and a well-designed dynamic updating strategy is used to guide the evolution and retrogradation of antibodies between two levels. In detail, the elitist antibodies focus on self-learning and local searching while the common antibodies emphasize elitist-learning and global searching. In addition, an adaptive searching step length adjustment mechanism is proposed to capture more accurate solutions. The suppression operator introduces an upper limit of the similarity-based threshold by considering the concentration of the candidate antibodies. To evaluate the effectiveness and the efficiency of algorithms, a series of comparative numerical simulations are arranged among the proposed AHAIS, DE, PSO, opt-aiNet and IA-AIS, where eight benchmark functions are selected as testbeds. The simulation results prove that the proposed AHAIS is an efficient method and outperforms DE, PSO, opt-aiNet and IA-AIS in convergence speed and solution accuracy. Moreover, an industrial application in RFID reader collision avoidance also demonstrates the searching capability and practical value of the proposed AHAIS optimization.     

一种基于免疫和Hopfield神经网络的多峰值优化算法

分析了免疫算法和Hopfield神经网络的优缺点，提出了一种解决多峰值函数优化问题的混合算法。Hopfield神经网络易于硬件实现，具有简单、快速的优点，但是对初始值具有依赖性以及容易陷入局部极值。免疫算法具有识别多样性的特点，但搜索效率和精度不高。将两算法结合起来，优势互补。首先用免疫算法寻优，然后对所得具有全局多样性的解进行聚类分析，所得聚类中心作为Hopfield神经网络的初始搜索点，最后利用Hopfield神经网络逐个寻优。实验表明，该算法是一种有效的求解多峰函数优化问题的方法，与免疫算法相比，搜索效率和精度都较高。     

基于免疫粒子群集成的RNA二级结构预测算法

RNA二级结构预测在计算生物学中具有重要意义,针对RNA二级结构预测,提出了一种新的免疫粒子群集成算法,根据个体的浓度和适应值概率,利用免疫机制,在粒子群优化算法中设计了免疫替换算子,有效防止了粒子群优化算法易陷入局部最优的缺陷;通过集成技术,充分发挥各种粒子群优化算法的优点,实现协同演化,提高了算法的全局搜索能力。最后用免疫粒子群集成算法去预测RNA二级结构,实验证明了算法的有效性。     

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.     

基于粒子群优化的图像自适应增强方法

将免疫粒子群优化算法和非完全Beta函数结合,提出了一种自适应图像对比度增强方法.该免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理机制,改善了粒子群优化算法摆脱局部极值点的能力.利用免疫粒子群优化算法自动搜索最佳的灰度变换参数,从而获得一条最佳的灰度变换曲线,实现对图像进行全局增强处理.实验结果表明,该算法不仅能有效地提高图像整体对比度和视觉效果,而且适合图像的自动化处理.     

一种改进的克隆函数优化算法*

为了提高免疫克隆算法的寻优能力,借鉴生物免疫系统的Baldwin效应及生物进化的周期性,提出了一种Baldwin效应的正向和反向学习机制,克服纯粹随机进化;利用生物进化的周期性,设计了周期变异算子,提高算法的收敛速度。在函数测试问题上的仿真实验表明,该算法求解精度较高、寻优能力较强。     

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。     

基于改进PSO算法的测试数据自动生成研究

为了提高软件测试中测试数据自动生成的效率,提出了一种基于改进PSO算法的测试数据自动生成的方法。通过在标准的PSO算法中引入人工免疫的思想,保持了群体的多样性,从而有效避免标准PSO算法易陷入局部最优的问题,提高了算法全局搜索的能力,增强了算法的整体性能。实验结果表明,利用改进后的PSO算法寻找最优解所需的迭代次数和时间明显少于标准粒子群算法,生成测试数据的速度快、效率高。     

A novel micro-population immune multiobjective optimization algorithm

In this paper, we present a novel immune multiobjective optimization algorithm based on micro-population, which adopts a novel adaptive mutation operator for local search and an efficient fine-grained selection operator for archive update. With the external archive for storing nondominated individuals, the population diversity can be well preserved using an efficient fine-grained selection procedure performed on the micro-population. The adaptive mutation operator is executed according to the fitness values, which promotes to use relatively large steps for boundary and less-crowded individuals in high probability. Therefore, the exploratory capabilities are enhanced. When comparing the proposed algorithm with a recently proposed immune multiobjective algorithm and a scatter search multiobjective algorithm in various benchmark functions, simulations show that the proposed algorithm not only improves convergence ability but also preserves population diversity adequately in most cases.     

A new hybrid differential evolution algorithm for the selection of optimal machining parameters in milling operations

This paper presents a novel hybrid optimization approach based on differential evolution algorithm and receptor editing property of immune system. The purpose of the present research is to develop a new optimization approach to solve optimization problems in the manufacturing industry. The proposed hybrid approach is applied to a case study for milling operations to show its effectiveness in machining operations. The results of the hybrid approach for the case study are compared with those of hybrid particle swarm algorithm, ant colony algorithm, immune algorithm, hybrid immune algorithm, genetic algorithm, feasible direction method and handbook recommendation.