一种新的免疫遗传算法及应用

针对遗传算法易陷入局部收敛的缺陷,提出一种基于浓度的自适应免疫遗传算法(SIGA).该算法将生物免疫系统中抗体多样性的维持机制引入遗传算法,提出了基于浓度的自适应变异算子和选择策略,保证了种群的多样性,从而大大提高了算法克服局部收敛的能力.将该算法应用于特殊工艺约束的并行多机拖后调度问题,仿真结果表明,SIGA优于并行遗传算法(PGA),具有更强的全局搜索能力.     

一种新型免疫遗传算法

标准遗传算法存在收敛速度慢、过早成熟等缺点。借鉴生物免疫系统中抗体注射免疫的理论,提出了一种基于抗体注射的新型免疫遗传算法（AIGA）。该算法在保留标准遗传算法随机全局搜索能力的基础上,引进了生物免疫系统的免疫应答、抗体注射、免疫选择等机制。结合TSP问题,给出了示范抗体的提取和注射方法,并给出了算法收敛性的理论证明。最后,用AIGA算法对100个城市的TSP问题进行了仿真计算,并将其计算过程与标准遗传算法进行了对比,结果表明该算法能有效地改善遗传算法的不成熟收敛缺陷,使收敛的速度有较大的提高。     

一种基于免疫原理的遗传算法

本文提出了一种免疫遗传算法（Ｉｍｍｕｎｅ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ,简称ＩＧＡ）。免疫遗传算法是根据生物的免疫原理提出的一种改进遗传算法法,该算法主要体现了生物免疫机制中的抗原识别、抗原记忆和抗体的抑制、促进,并结合货郎担（ＴＳＰ）优化问题介绍了具体实现方法,实验结果表明该免疫遗传算法有较好的性能。     

免疫遗传算法在TSP求解中的应用

基本遗传算法保持群体多样性的能力较差,所以经常在问题求解的过程中得到局部最优解。根据生物的免疫原理提出的一种改进算法——免疫遗传算法。免疫遗传算法主要体现了生物免疫系统中的基因重组、免疫记忆、隔离小生境和免疫元动态等特性,这些特性改进基本遗传算法的群体多样性保持能力。最后结合旅行商问题（TSP）的优化介绍了具体实现方法,实验结果表明该免疫遗传算法有较好的性能。     

遗传算法TSP问题的实现及免疫优化

本文介绍了遗传算法的基本知识，并利用遗传算法解决TSP（旅行商）问题，在此基础上，用免疫遗传算法进行优化对比。     

基于免疫遗传算法的移动机器人全局路径规划

提出了基于免疫遗传算法的静态环境下移动机器人全局路径规划方法。该方法首先建立机器人工作空间中环境信息的神经网络模型,并利用该模型建立机器人免碰撞路径与神经网络输出的关系,将免碰撞要求和路径最优要求融合成免疫遗传算法的一个简单适应度函数。将抗体选择概率表示成一个基于抗体矢量距和抗体浓度的融合函数,同时保证了抗体的多样性和成熟收敛。通过仿真,并与遗传算法相比,性能有很大提高,证明了该全局路径规划方法的正确性和有效性。     

一种新的改进遗传算法及其应用

研究并提出了一种基于模式的改进遗传算法,该算法加强了好的模式对群体的影响,在收敛速度和防止陷入局部最优解取得了平衡.在一个经典测试函数的仿真实验中,与基本遗传算法(SGA)和自适应遗传算法(AGA)相比,该改进遗传算法表现了良好的效果.     

一种图像增强的自适应免疫遗传算法

图像增强处理中,Tubbs曾将几种常用的非线性变换函数表示成一个归一化的非完全Beta函数,进行图像增强方面的研究,但确定Beta函数的参数仍是一个复杂的问题.现将自适应免疫遗传算法应用到图像的增强处理中,利用自适应免疫遗传算法的快速搜索能力,对给定的测试图像,自适应地变异、搜索、直至最终确定变换函数的最佳参数α,β值,从而实现图像的自适应增强.与穷举法相比,大大节约了求解的时间和计算的复杂度,提供了一个解决图像增强方面问题的途径.现通过对自然图像的仿真实验可以看出上述方法的有效性.     

TSP的一种改进遗传算法

旅行商问题（ＴＳＰ）是研究算法性能的典型算法,具有广泛的应用背景。遗传算法（ＧＡ）是由遗传进化理论指导的随机搜索寻优算法。但传统ＧＡ的寻优能力与随机搜索能力之间存在着相互制约的关系,所以对地形极其复杂、极无规律的ＴＳＰ的应用效果并不十分理想。本文通过在传统ＧＡ中引入“幼代”及其成长过程,解除了两种能力间的制约关系。实际计算结果表明,求解质量显著提高。     

改进免疫遗传算法及其应用研究

在传统遗传算法基础上提出一种改进遗传算法——免疫遗传算法（IGA）,该算法将生物系统免疫思想引入遗传算法中,通过计算抗体之间的亲和度来促进和抑制抗体,既保留了群体中较优抗体又保证了抗体多样性,避免搜索进化的过早收敛,得到全局最优解。文中采用此改进算法来控制无源光中光分支器和光网络单元中位置分配选择,通过浓度因子控制解空间的搜索方向,帮助逃离局部极值。利用Visual C＋＋6．0对改进的免疫遗传算法和传统遗传算法进行比较,证明IGA的有效性和优越性。     

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．     

基于免疫遗传算法的多约束QoS路由选择算法

该文针对多约束Qos路由选择问题,将其转化为一个多约束赋权图最短路径问题,选择费用、带宽、时延、丢失率为Qos参数。设计了一个基于免疫遗传算法的Qos路由选择算法,该算法主要利用生物免疫机制中的抗原识别、抗原记忆和抗体的抑制、促进作用来控制收敛方向,促进快速求解。实验表明本文提出的算法具有较好的性能,大幅度地提高Qos路由选择的效率。     

基于免疫遗传算法的前向神经网络设计

针对传统BP算法训练速度慢、易陷入局部最优等缺点,该文提出了一种采用免疫遗传算法设计前向神经网络的方法。为解决神经网络权值随机初始化带来的问题,介绍了一种基于免疫的多样性模拟退火法(SAND算法)来进行神经网络权值初始化。仿真结果表明,该算法比混合遗传算法有更高的性能。     

基于免疫算法的TSP问题求解

描述了免疫算法的一种框架结构,并给出了用此免疫算法求解ＴＳＰ问题的具体实现方法,求解结果体现了免疫算法的良好性能。     

并行混合免疫遗传算法及其应用

以并行遗传算法(PGA)为基础,对其早熟、收敛慢等缺陷加以改进,提出一种并行混合免疫遗传算法(PHIGA)。该算法将免疫原理引入到遗传算法中,提高了算法的整体性能。这主要表现在一方面免疫选择可有效地防止早熟,另一方面基于免疫记忆的子群体信息交换策略可加速收敛。算法采用混沌初始化和基于自适应交叉、变异的多种群搜索,与单纯形法的混合可更好地改善其局部搜索性能。文中布局问题的算例验证了该算法的可行性和有效性。     

基于邻域搜索的混合遗传算法及其在对称TSP中的应用

基于邻域搜索的混合遗传算法是综合了遗传算法和邻域搜索算法各自优势的全局搜索算法。它既有遗传算法的全局搜索能力,又有高效的局部搜索能力。该算法较好地解决了两种不同算法结合所产生的矛盾。通过对对称TSP的实验表明,算法具有良好的全局寻优性能并得到很好的结果。     

一种基于免疫遗传算法的网络新词识别方法

随着互联网的发展,网络新词不断涌现,但是目前的分词方法很难及时、准确地对其做出识别。对此提出一种应用免疫遗传算法的网络新词识别方法。在分析网络新词特点的基础上,利用汉语词群现象和词位的概念提取出示范抗体,在遗传算法进行的过程中有针对性地注入该抗体。实验表明,该方法对于分词碎片中符合词群现象的新词有着极高的识别率,对于一般网络新词的识别率也基本令人满意。     

基于自适应免疫遗传算法的边缘检测

为了使检测的图象边缘结构定位好 ,并且产生连续的精细边缘 ,同时能滤除边缘图象中的噪声干扰 ,基于费用函数最小化方法 ,提出了一种自适应免疫遗传算法用于图象的边缘检测 .为了保持群体中个体的多样性 ,同时加快算法的收敛速度 ,该算法中交叉、变异和免疫算子采用了自适应变化而非固定的概率 ,同时免疫算子采用了几何形式的退火选择方案 .由于该算法能够有效地利用局部边缘结构的一些先验知识和特征信息制作成免疫疫苗 ,其局部搜索能力较经典的遗传算法有很大的提高 .该方法用于灰度图象时产生了令人满意的检测效果 ,并对噪声有较好的抑制作用     

一种新型混合遗传算法及其应用

针对遗传算法应用的局限性,引入新的种群择优交叉运算、变异运算、遗传边界算子和相互学习过程的思想,提出一种新型混合遗传算法,提高了算法的收敛速度和稳定性,数值算例验证了该算法的有效性和实用性。