免疫调节优化算法及其对控制系统的参数估计

借鉴免疫系统中T细胞调节的思想、抗体重复变异的亲和成熟特征、小生境共享适应度方法及相关的免疫机制,提出一种适合于函数优化的新型智能优化算法。算法设计的关键在于利用T细胞调节机制动态调节参与变异的抗体数日,以及利用抗体亲和成熟特征设计自适应突变的算子模块;突出的优点为自适应能力强、寻优速度快、多途径产生进化群体及易于与相关算法融合。事例仿真效果论证了其可行性和有效性。     

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。     

自适应多模态免疫进化算法的研究与实现

基于免疫系统的动力学模型，根据一类抗体可结合多个抗原表位并逐步达到亲和度成熟的机理，研究并实现了一种多模态免疫进化算法(MIEA)．算法的主要算子包括正选择、记忆细胞产生、超变异和抗体相似性抑制．对不同的多峰值函数进行的仿真实验证明，算法能够找到多模态问题的全部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表明，该算法不仅计算量小、具有更好的搜索性能，而且无需任何先验知识，可实现真正的自适应搜索．     

混沌系统动态多目标免疫优化算法及其应用

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,Logistic映射产生混沌抗体群;利用抗体的被控度和抗体拥挤距离设计抗体的亲和力;借助控制概念将群体分为非控群和被控群,再分别对其施行不同方式的突变增强群体的多样性;利用免疫记忆、Averagelinkage聚类方法,设计外部集和记忆集分别保存非控个体和亲和力较高抗体,所获的记忆细胞参与相似或相同环境初始抗体群的生成;借助三种不同类型的动态多目标优化测试问题,通过与两种最新的动态多目标进化算法及一种动态多目标克隆选择算法比较,数值实验论证了所提出算法在动态跟踪Pareto面的速度和执行效果上较其它算法优越.     

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。     

基于模拟退火选择的动态免疫算法及其应用

借鉴人工免疫系统的记忆、动态识别等功能及模拟退火选择理论,提出一种适用于求解动态环境优化问题的动态免疫算法(DIASA),并将其用于高维动态约束背包问题。算法设计包括:(1)抗体的亲和力随群体进化而变化;(2)可行抗体被克隆和动态突变,突变概率与抗体浓度相关,而非可行抗体按价值密度贪婪修正;(3)新环境初始群经环境识别算子按不同方式生成,相似环境初始群由记忆细胞及随机抗体产生。数值实验中,选取著名的动态进化算法(ETGA)和动态免疫遗传算法(ISGA),通过不同难度的高维动态约束背包问题进行仿真比较,结果表明:DIASA较算法ISGA和ETGA对不同问题在各环境内表现较强的优化性能,群体中抗体多样性保持较好,能快速跟踪不同环境的最优值,收敛性强。     

免疫算子对种群多样性的影响分析

经过多年的发展,研究人员设计出大量的免疫算法来解决多目标优化问题。基于三种免疫算子：克隆选择算子、超突变交叉算子和重组存储记忆算子,并通过分析三种算子何时或以何种方式对免疫算法中种群多样性产生影响,从而对免疫算子与种群多样性之间的联系进行了研究。对NNIA和CMOIA两种经典免疫算法在两个基准问题上进行实验分析,实验结果表明克隆选择算子对于算法多样性有消极影响,而超突变交叉算子和重组记忆存储算子则会帮助算法维护多样性。     

一种新型的免疫多目标优化算法

免疫算法借鉴了生物免疫系统独有的自适应、自组织、多样性、免疫记忆等优良特性,是智能计算领域中继人工神经网络和进化计算之后的又一个研究热点.提出一种新型的基于聚类的免疫多目标优化算法(CMOIA),借鉴了免疫算法的亲和度定义,由此亲和度定义的免疫变异操作子使得算法产生的抗体群体能够逐渐向精英群体变异,结合进化算法在局部搜索中维持解个体多样性的能力对免疫变异产生的抗体群进行交叉变异操作,采用一种基于聚类的克隆选择算子来保持免疫算法在探测新解和加强局部搜索之间的平衡.选取了8个通用的多目标优化问题对3个广泛采用的性能指标进行了测试.与现有两个经典的进化优化算法相比较,算法所产生的解集在收敛性、多样性等方面显示了相当的独创性和先进性.     

自适应免疫克隆粒子群算法的地震波阻抗反演

针对粒子群优化算法应用于地震波阻抗反演问题时易陷入局部极小值和计算量大的问题,提出一种自适应免疫克隆粒子群（AICPSO）算法。该算法引入免疫机制,根据个体浓度和适应值概率定义了个体置换算子,能够避免粒子群算法陷于局部极值。为避免由进化过程中大量相同抗体引起的算法退化现象,根据记忆库和抗体群不同的特性,采用自适应变异算子更新记忆库,而依据抗体浓度和亲和度更新下一代抗体群体。经数值模拟和实际波阻抗资料反演表明,该算法不依赖于初始模型,收敛速度快且结果可靠。免疫粒子群优化算法为解决地震波阻抗反演问题提供了一条可行途径。     

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．     

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.     

基于免疫算法和EDA 的混合多目标优化算法

在免疫多目标优化算法的基础上,引入了分布估计算法(EDA)对进化种群进行建模采样的思想,提出了一种求解复杂多目标优化问题的混合优化算法HIAEDA(hybrid immune algorithm with EDA for multi-objectiveoptimization).HIAEDA 的进化过程混合了两种后代产生策略:一种是基于交叉变异的克隆选择算子,用于在父代种群周围进行局部搜索的同时开辟新的搜索区域;另一种是基于EDA 的模型采样算子,用于学习多目标优化问题决策变量之间的相关性,提高算法求解复杂多目标优化问题的能力.在分析两种算子搜索行为的基础上,讨论了两者在功能上的互补性,并利用有限马尔可夫链的性质证明了HIAEDA 算法的收敛性.对测试函数和实际工程问题的仿真实验结果表明,HIAEDA 与NSGAII 算法和基于EDA 的进化多目标优化算法RM-MEDA 相比,在收敛性和多样性方面均表现出明显优势,尤其是对于决策变量之间存在非线性关联的复杂多目标优化问题,优势更为突出.     

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.     

求解多目标问题的Memetic免疫优化算法

将基于Pareto支配关系的局部下山算子和差分算子引入免疫多目标优化算法之中,提出了一种求解多目标问题的Memetic免疫优化算法(Memetic immune algorithm for multiobjective optimization,简称MIAMO).该算法利用种群中抗体在决策空间上的位置关系设计了两种有效的启发式局部搜索策略,提高了免疫多目标优化算法的求解效率.仿真实验结果表明,MIAMO与其他4种有效的多目标优化算法相比,不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且算法的收敛速度与免疫多目标优化算法相比明显加快.     

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.     

基于并行人工免疫算法的变精度属性约简

为了避免传统的人工免疫算法在属性约简时陷入局部最优解,提出了具有自适应特性的并行人工免疫算法,并且运用该算法进行粗糙集的变精度属性约简。该算法构造了趋同算子,异化算子和传优算子,利用“趋同”算子的分布性特点实现多个子种群的并行搜索,利用“异化”算子来交换种群之间优秀个体的信息,维持种群的多样性,利用“传优算子”把当前最优抗体分配到各个子群体当中,实现群体跨越式进化。在各个算子操作过程中,为了从准确度和覆盖度两方面来度量生成的规则集合的不确定性,引入了不确定量度HVPRS作为评价因子,并以此为依据,自动调整抗体的交叉概率和变异概率,使得算法不仅具有自适应的特性,而且所提取的规则集具有较高的覆盖能力和泛化能力。最后通过某发电厂发电机级故障诊断的实例,表明该算法获得的故障诊断规则集合具有较高准确度和覆盖度,满足了实际故障诊断中的要求。     

小生境人工免疫算法用于多峰函数优化

基于自然免疫系统的原理,提出了小生境人工免疫算法,为了解决多峰优化问题,可使每个抗体适度得到修改.利用小生境的共享函数法更好地维持了群体的多样性.同时小生境淘汰算法和免疫系统的记忆及变异特性促使群体中优良个体持续向问题的优化解逼近.算法对三个典型的多峰问题题进行了优化,给出了具体的实现步骤和较好的优化结果.     

改进的自适应免疫遗传算法在图像增强中的应用

针对传统图像增强方法中图像细节丢失、图像对比度不明显以及方法普适性差等缺点,提出了一种自适应免疫遗传算法用于图像增强。该算法与传统遗传算法的不同在于引入免疫算子抑制优化过程中出现的退化现象,根据个体适应度自适应调整遗传算子的概率值和基因变异位数,从而增强了种群多样性,提高了算法快速性和全局收敛性。实验结果表明：基于该算法的图像增强具有图像细节清楚、对比度强、方法普适性强等优点。