一种免疫克隆选择检测器优化算法

提出一个免疫克隆选择检测器优化算法,通过对原检测器中个体的抗体克隆、变异和克隆选择操作,实现对检测器分布状况的优化.仿真结果表明,该算法具有较快的收敛速度和较好的稳定性,优化效果也令人满意.     

采用粒群优化的免疫克隆算法

利用免疫系统的克隆选择机制,结合粒群优化算法的进化方程,提出一种用于函数优化的算法。算法的主要特点是利用免疫处理操作,提高种群的多样性,利用进化方程提高收敛速度。仿真程序表明,该算法能以较快速度完成给定范围的搜索和全局优化任务。     

基于免疫克隆算法的倒立摆控制参数优化

基于免疫克隆选择原理,针对单级倒立摆PID控制数学模型,设计了一种新的PID参数优化算法——免疫克隆算法。选用简单遗传算法、克隆选择算法与其进行比较研究,通过MATLAB仿真实验,观察该算法搜索结果稳定性好,算法收敛性强。通过Simulink仿真实验,进一步研究3种算法最优目标函数下的PID控制参数的实际控制效果,采用免疫克隆算法优化的控制参数,系统控制响应可以获得良好的实时性、稳定性、控制精度,效果优于其它2种算法。     

基于多克隆的进化免疫网络聚类算法

针对传统的聚类算法存在对初始值敏感、易陷入局部最小值,且对类别数和聚类原型的先验知识依赖比较大等问题。提出了一种基于多克隆的进化免疫网络聚类算法,该算法使用了多克隆算子,增加了种群的多样性,扩大了解空间的搜索范围。利用禁忌克隆运算,使处于模糊边界的抗体处于抑制状态,提高了聚类的精度。仿真实验表明,当对具有数值和类属的混合特征属性的数据及具有模糊边界的数据进行聚类时,收敛速度快且不依赖初始原型的选择。     

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.     

免疫克隆选择多目标优化算法与MATLAB实现

本文阐述了用人工免疫算法实现多目标优化的基本原理,深入探讨了在MATLAB环境下如何实现抗体群的克隆、进化、选择以及种群修剪。算法中采用实数编码,每个基因位对应一个目标函数值,由于克隆不存在交叉,本文算法的进化动力完全依靠高频变异。最后,选取了经典测试函数对算法进行了测试,结果表明:Pareto最优解的分布范围广、分布均匀,用MATLAB实现该算法时计算效率高。     

基于克隆进化选择算法的多目标优化研究

把免疫系统的克隆选择学说与生物进化法则应用到多目标优化计算中,引入免疫克隆学说的记忆单元体,使用聚类方法对其中的抗体进行不断的优化更新和劣体淘汰;采用非均匀变异操作促进种群抗体的多样性;通过抗体间亲和度体现种群中个体的竞争,抗体与抗原亲和度来抑制过度的竞争,维持种群广泛性.最后由计算机仿真实验,并与NSGA-Ⅱ算法比较了两者的收敛性和分布性,证明由克隆进化算法得到的结果距离真实Pareto曲线更接近,分布更均匀、范围更广泛.     

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。     

使用免疫克隆选择机理的故障检测器优化

免疫算法产生的检测器集中,存在集合边界不清晰和个体分布不均匀的缺点。提出了一个免疫克隆选择检测器优化算法。通过对原检测器中个体的抗体克隆、变异和克隆选择操作,实现对检测器分布状况的优化。与其他免疫优化算法的对比仿真结果表明其不但具有较快的收敛速度和较好的稳定性,而且优化效果更为令人满意。     

免疫入侵检测多目标优化克隆选择算法研究

免疫入侵检测理论中克隆选择是检测器进化的关键。传统克隆选择算法通过比较样本间的亲和力累加值筛选样本,该方法具有较低的时间复杂度,但也造成了检测器的高重叠,影响迭代效率。将检测器个体的筛选与进化转化为pareto最优解的求解过程,提出了多目标优化理论的检测器克隆选择算法。实验表明,检测器基数不变的情况下,该算法明显提升了每代种群在进化过程中的检测范围,精简了记忆检测器的数量,提高了检测阶段系统的检测率。     

面向多目标优化的适应度共享免疫克隆算法

多目标优化的日标在于使得解集能够快速的逼近真实Pareto前沿.针对解的分布性问题,以免疫克隆算法为框架,引入适应度共享策略,提出了一种新的具有良好分布性保持的多目标优化进化算法;算法建立外部群体以保存非支配解,以Pareto优和共亨适应度作为外部群体更新与激活抗体选择的双重标准.为了增强算法对决策空间的开发能力,引入...     

空间自适应免疫克隆选择优化算法

针对免疫克隆选择优化算法晚期收敛速度慢的不足,通过引入搜索空间自适应缩放的思想,提出一种新的空间自适应免疫克隆选择优化算法(SAIS)。算法利用不完全演化搜索优化解的分布特性,以精英个体为中心收缩搜索空间,并采用空间扩张机制帮助算法跳出局部最优。通过对高维基准测试函数实验表明,SAIS能显著提高收敛速度和优化解的质量。     

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.     

应用于高维优化问题的免疫进化算法

针对免疫算法在伞局优化过程中多样性不足的问题,提出一种新型的免疫进化算法.随机克隆扩张和多受体随机编辑算了足该算法的主要特色,同时引入改进的超变异算了加强个体的学习能力;提出一种新的算法件能评价准则,以比较不同算法在全局优化中的表现.实验环节中,首先确定了克降扩张比:然后将免疫进化算法与快速克降算法和Opt-IMMAL...     

基于云模型的量子免疫优化算法

采用云模型对量子免疫算法进行了改进,采用量子种群基因云对种群进化进行定性控制,基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,使其能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明该算法可以避免陷入局部最优解,能提高全局寻优能力,能以更快的速度收敛于全局最优解,具有较好的应用价值。     

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.     

免疫文化基因算法求解多模态函数优化问题

为了尽可能找到多模函数优化问题的全部最优解,提出了一种免疫文化基因算法。采用危险信号自适应引导免疫克隆、变异和选择过程,并采用Baldwin学习机制作为局部搜索策略,增强了算法搜索最优解的能力。实验结果表明,本算法求解精度较高。     

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。     

Multiobjective optimization using an immunodominance and clonal selection inspired algorithm

Based on the mechanisms of immunodominance and clonal selection theory, we propose a new multiobjective optimization algorithm, immune dominance clonal multiobjective algorithm （IDCMA）. IDCMA is unique in that its fitness values of current dominated individuals are assigned as the values of a custom distance measure, termed as Ab-Ab affinity, between the dominated individuals and one of the nondominated individuals found so far. According to the values of Ab-Ab affinity, all dominated individuals （antibodies） are divided into two kinds, subdominant antibodies and cryptic antibodies. Moreover, local search only applies to the subdominant antibodies, while the cryptic antibodies are redundant and have no function during local search, but they can become subdominant （active） antibodies during the subsequent evolution. Furthermore, a new immune operation, clonal proliferation is provided to enhance local search. Using the clonal proliferation operation, IDCMA reproduces individuals and selects their improved maturated progenies after local search, so single individuals can exploit their surrounding space effectively and the newcomers yield a broader exploration of the search space. The performance comparison of IDCMA with MISA, NSGA-Ⅱ, SPEA, PAES, NSGA, VEGA, NPGA, and HLGA in solving six well-known multiobjective function optimization problems and nine multiobjective 0/1 knapsack problems shows that IDCMA has a good performance in converging to approximate Pareto-optimal fronts with a good distribution.