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。     

基于改进模拟退火算法的移动机器人路径规划

提出了一种新型改进模拟退火算法,对移动机器人路径进行了全局优化。该算法不仅继承了经典模拟退火算法能达到全局最优解的优点,而且其收敛速度远远优于经典模拟退火算法。仿真实验研究表明:这种改进模拟退火算法全局寻优能力强,收敛速度快,显著提高了求解移动机器人全局路径规划的效率。     

免疫规划

在借鉴生命科学中免疫概念与理论的基础上,提出了一种新的算法－免疫规划算法,该算法的核心在于免疫算子的构造,而免疫算子又是通过接种疫苗和免疫选择两个步骤来完成的,理论证明免疫规划是收敛的,文中给出了免疫疫苗的一种自适应选取与构造方法,仿真结果表明该算法不仅可以有效地抑制原算法在进化过程中所出现的退化现象,而且在搜索能力的自适应性能方面有较大改善,进而提高收敛速度。     

自适应模拟退火遗传算法的改进与应用

提出了一种改进的自适应模拟退火遗传算法,该算法将遗传算法和模拟退火相结合,利用模拟退火算法较强的局部搜索能力,解决了基本遗传算法收敛速度慢的缺点,提高了全局寻优能力.实验结果证实了该混合算法的有效性和高效性.     

基于双变异算子的免疫规划

针对进化规划的早熟收敛问题，借鉴免疫系统的应答机制，并结合进化规划与免疫机理，提出一种基于双变异算子的免疫规划算法（DMIP）．该算法的核心在于采用全局柯西变异算子和局部高斯变异算子，通过保持种群的多样性和执行记忆保护以及弱小保护策略，保证了算法搜索的快速性和有效性．理论分析和仿真结果均表明，该方法能够有效地提高算法的全局及局部搜索能力，克服早熟现象．     

基于混沌理论的免疫量子进化算法

提出了基于混沌理论的免疫量子进化算法,该算法应用混沌理论并依据小生境机制将初始个体划分为实数编码染色体的子群,各子群应用免疫特性的局域搜索能力找出优化解。混沌优化搜索机制能有效避免早熟收敛。为解决2进制算法所不能避免的精度与效率的冲突,采用10进制编码染色体。算法综合了量子计算的天然并行性、免疫算法的充分自适应性和混沌系统的遍历性,它比传统的进化算法具有更好的种群多样性,更快的收敛速度,更有效的全局和局域寻优能力。仿真实验也表明了该算法的优越性。     

基于C-均值和免疫遗传算法的聚类分析

聚类问题在一定条件下可以归结为一个带约束的优化问题。遗传算法作为一种鲁棒性很强的优化算法，具有很强的全局寻优能力。提出了一种基于C-均值和带免疫机制的混合遗传算法。理论分析和仿真实验表明，该算法既具有很强的全局寻优能力，也具有较强的局部寻优能力。     

基于混沌免疫遗传优化的粒子滤波重采样

针对粒子滤波算法中粒子多样性退化问题,提出一种利用混沌免疫遗传算法进行重采样的粒子滤波改进方法。该算法利用混沌的局部寻优加快搜索速度;通过免疫原理的浓度计算及加入新的混沌序列来增加种群的多样性,提高全局搜索能力,避免早熟收敛。实验结果表明该方法与基于免疫遗传算法的重采样相比较,具有更好的全局寻优能力和更快的收敛速度。     

基于模拟退火算法的多道逆向蚁群算法

为克服现有蚁群算法运算过程中易出现停滞现象、收敛速度慢等缺点,提出了一种基于模拟退火策略的多道逆向蚁群算法。通过向原始蚁群中引入逆向蚂蚁,并结合模拟退火思想确定蚁群中逆向蚂蚁的数目,来提高算法全局寻优能力。在算法执行过程中一组蚂蚁分成几群并行运算,通过交换策略,有效地利用了当前最优解,提高了算法收敛速度。将该算法应用于旅行商问题的求解,仿真实验结果表明该算法的全局寻优能力和收敛速度都得到了很大改善。     

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．     

免疫多 Agent 协同的教育管理系统模型研究

为了满足学校办学的智能化需求,设计了基于免疫多 Agent 协同的教育管理系统模型。研究了免疫多 Agent 协作 处理模型, 通过对话式扩充合同网协议完成了多 Agent 协作。采用免疫多 Agent 的协同进化算法提高了免疫进化算法的全 局搜索能力和收敛速度,使教育管理系统模型具有良好的最优解搜索能力。     

一种采用循环策略的改进模拟退火遗传算法

循环规律是生态学中一个重要的规律,而模拟退火遗传算法是一种能够有效改进遗传算法性能的方法。将循环策略与模拟退火遗传算法有机地结合起来,提出了一种采用循环策略的改进模拟退火遗传算法,并通过模式演化分析和收敛性分析证明算法的合理性。该算法不仅能够保证遗传算法的全局收敛性,而且还可以加快种群的进化速度并获得满意的全局最优解。     

一种移动机器人全局路径规划新型算法

针对模拟退火算法收敛速度慢这一缺陷，提出了一种基于共轭方向法和模拟退 火算法相结合的新型混合优化算法，并成功应用于机器人神经网络路径规划中．该算法可以 使优化解不陷入局部极值解而得到全局最优解．仿真实验研究表明：本文提出的这种新型混 合优化算法，计算简单，收敛速度快，显著提高了求解移动机器人全局最优化问题的计算效 率．     

结合SA算法的快速微粒群优化算法

理论上已经证明PSO算法用所有微粒的当前位置与全体最好位置相同时算法停止作为收敛准则是有缺陷的,不能保证全局收敛。而已经证明模拟退火算法依概率1收敛于全局最优解集,因此可将模拟退火算法作为PSO算法的收敛判据。将模拟退伙算法和微利群优化算法结合起来,保证PSO算法的全局收敛性,提高了收敛的速度和效率。实验结果证明了其有效性。     

Experiments with repeating weighted boosting search for optimization in signal processing applications.

Many signal processing applications pose optimization problems with multimodal and nonsmooth cost functions. Gradient methods are ineffective in these situations, and optimization methods that require no gradient and can achieve a global optimal solution are highly desired to tackle these difficult problems. The paper proposes a guided global search optimization technique, referred to as the repeated weighted boosting search. The proposed optimization algorithm is extremely simple and easy to implement, involving a minimum programming effort. Heuristic explanation is given for the global search capability of this technique. Comparison is made with the two better known and widely used guided global search techniques, known as the genetic algorithm and adaptive simulated annealing, in terms of the requirements for algorithmic parameter tuning. The effectiveness of the proposed algorithm as a global optimizer are investigated through several application examples.     

Experiments with repeating weighted boosting search for optimization signal processing applications

Many signal processing applications pose optimization problems with multimodal and nonsmooth cost functions. Gradient methods are ineffective in these situations, and optimization methods that require no gradient and can achieve a global optimal solution are highly desired to tackle these difficult problems. The paper proposes a guided global search optimization technique, referred to as the repeated weighted boosting search. The proposed optimization algorithm is extremely simple and easy to implement, involving a minimum programming effort. Heuristic explanation is given for the global search capability of this technique. Comparison is made with the two better known and widely used guided global search techniques, known as the genetic algorithm and adaptive simulated annealing, in terms of the requirements for algorithmic parameter tuning. The effectiveness of the proposed algorithm as a global optimizer are investigated through several application examples.     

基于全局和声搜索的模拟退火算法改进

本文针对传统的模拟退火算法存在收敛速度慢的问题,采用全局和声搜索算法对其进行了改进,即在保持模拟退火原有机制的基础上,使用一个函数随机产生模拟退火算法的初始解,采用全局和声搜索算法中产生候选解的方法产生新解。该方法的优点在于保留中间最优解并及时更新,从而既保证了优化质量又提高了算法的搜索效率。最后,采用benchmark测试函数进行仿真,仿真实验结果表明,该方法在收敛速度及优化质量上都优于传统的模拟退火及其它算法,值得进一步研究。     

免疫优化算法及应用

针对函数的寻优问题,设计一种免疫优化算法,运用克隆选择机制,在克隆选择算法的基础上,采用了基于抗体生存期望值的多样性保持策略,并引人了仿真退火思想,对进行超变异后的个体进行处理,保留亲和力得到改善的个体,以一定概率接受亲和力没有得到提高的个体,并产生新解替换那些未被接受的个体,加快了算法的收敛速度,提高了抗体的种群多样性.采用算法对二维函数进行优化,仿真结果表明了方法的有效性,并通过与未引入仿真退火思想的算法进行比较,表明该方法收敛速度快,稳定性好,具有更好的优化性能.     

基于模拟退火与高斯扰动的烟花优化算法

烟花算法(Fireworks Algorithm,FWA)是一种群体智能优化算法,具有求解复杂问题的全局最优解的能力。为了提高FWA求解全局最优解的能力,将模拟退火的思想引入到烟花优化算法中,并对FWA中某些单个烟花个体进行高斯扰动,提出了一种基于模拟退火与高斯扰动的烟花优化算法(SAFWA)。分别把烟花算法(FWA)、标准粒子群算法(SPSO)、增强烟花算法(EFWA)和SAFWA在10个典型的基准测试函数中进行仿真对比,结果表明,在收敛速度、计算精度以及稳定性方面,SAFWA均优于其他3种算法。     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。