融合微粒群的多种群协同进化免疫算法

提出一种融合微粒群的多种群协同免疫优势克隆选择算法(PMCICA).该算法将生态学中的协同进化思想引入人工免疫算法中,各子种群内部通过免疫优势克隆选择操作加快了种群收敛速度;所有子种群共享经过改进微粒群优化的高层优良库,实现了整个种群信息共享与协同进化.针对旅行商问题(TSP)的多个实验结果表明,该算法在收敛速度与最优解等方面均取得了较好的效果.     

一种求解TSP问题的分层免疫算法

为提高人工免疫算法求解旅行商问题的效率,构造了一种基于多子种群免疫进化的两层框架模型.在此模型的基础上提出了分层局部最优免疫优势克隆选择算法(HLOICSA).通过对多个子种群进行低层免疫操作--局部最优免疫优势、克隆选择、基于信息熵的抗体多样性改善和高层遗传操作--选择、交叉、变异,增强优秀抗体实现亲和力成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡.针对TSP的实验结果表明,该算法具有可靠的全局收敛性及较快的收敛速度.     

协同进化扩展紧致量子进化算法

为了提高量子进化算法的全局收敛性能, 基于协同进化的思想, 并结合扩展紧致遗传算法, 提出了协同进化扩展紧致量子进化算法(CECQEA). 该算法利用多粒度机制进行量子染色体的旋转, 并依据边缘积模块(MPM) 进行交叉和变异以避免优良模式的破坏; 在每一个子种群内对个体依据MPM进行自调整操作, 同时进行种群的分裂、合并及优良个体的迁移操作. 通过对算法收敛性的分析可看出, CECQEA 能够收敛到满意解集; 经基准函数以及背包问题的仿真测试分析可看出, 算法收敛效果更加明显.     

自适应协同进化蝙蝠算法

蝙蝠算法作为一种新型元启发式进化算法,不可避免在进化过程中存在陷入局部极值的危险.为了有效提高蝙蝠算法的进化性能,提出一种自适应协同进化的蝙蝠算法(ACEBA).为保证算法具有良好的进化结构,提出采用自适应进化种群结构,使得种群结构能够依据种群多样性在集中式结构与分布式结构之间进行切换.为协调实现主种群的勘探和子种群的开采,引入优良个体解对速度和位置进行更新,并在主种群和子种群内采用相适应的更新方式,同时将原有固定参数推广到自适应变化,并对蝙蝠行为的多普勒效应进行补偿.最后对所提出的算法进行收敛性分析和仿真验证,并与相关算法进行对比分析,充分验证了算法的正确性和有效性.     

抗独特型克隆选择算法

基于免疫学中的抗体克隆选择学说,通过引入抗独特型结构,提出了一种用于求解复杂多峰函数优化问题人工免疫系统算法——抗独特型克隆选择算法.该算法通过克隆增殖操作、抗独特型变异操作、抗独特型重组操作和克隆选择操作这4 个操作算子来实现抗体种群的进化,能够同时在同一抗体周围的多个方向进行全局搜索和局部搜索,具有较强的搜索能力.理论分析表明,抗独特型克隆选择算法具有全局收敛性.抗独特型结构的引入充分利用了优势抗体的结构信息,加快了抗体种群的收敛速度,从而以更快的速度获得全局最优解,同时降低了算法陷入局部极值点的几率.实验部分采用4 组不同类型的函数对算法性能进行测试.理论分析及实验结果表明,与克隆选择算法等已有算法相比,该算法性能好,求解精度高,鲁棒性强.     

面向多峰函数优化的PASFLI算法及应用

针对基本混合蛙跳算法在高维多峰函数优化时早熟及难以找到所有全局极值的问题,提出了一种具有混合智能的多态子种群自适应混合蛙跳免疫算法,证明了算法以概率1收敛于全局最优解。该算法采用双层进化模式,融合了混合蛙跳、免疫克隆选择技术。在低层混合蛙跳操作中,加入了多态自适应子种群机制,提高了子种群多样性,有效抑制了早熟现象;在算法进化后期,提出了全局极值筛选策略,将子种群极值点提升到高层免疫克隆选择操作,进一步提高了全局寻优能力。通过复杂多峰函数仿真实验,表明该算法能够快速有效地给出全部全局最优解。     

基于克隆选择的免疫粒子群优化算法

粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题.针对这一问题,在粒子群算法中引入免疫克隆选择算法的思想,提出了基于克隆选择的免疫粒子群优化算法(Immune Particle Swarm Optimization,ImmunePSO),即在算法进化过程中,引入克隆复制算子、克隆高频变异算子、克隆选择算子.成比例克隆复制可以使优良个体得到保护,加快算法收敛;高频变异为新个体的产生提供了新的途径,可以增加种群的多样性;克隆选择算子从所有子代、父代中选择出最优个体,避免算法退化.最后通过对基本测试函数的仿真试验,验证了算法不仅可以增加种群的多样性,加快算法的收敛速度,而且提高了最优解的精度,有效地避免算法陷入到局部极值.     

一种采用克隆选择的免疫差分进化算法

为了解决基本差分进化算法易出现早熟收敛的问题, 提出了一种融合人工免疫系统和差分进化的混合算法。该算法在差分进化过程中引入了克隆选择操作和受体编辑机制, 以增强算法的局部搜索能力和种群多样性。通过对五个标准函数的仿真实验表明, 该算法不仅可有效避免早熟收敛, 而且全局优化能力和收敛速度有显著提高。     

机械手优化的病毒进化型免疫克隆算法

针对平动式轻型装卸机的机械手结构优化设计问题,在免疫克隆算法基础上,通过引入病毒协同进化机制,提出了一种新的病毒进化型免疫克隆优化算法。新算法主要对免疫变异后种群进行病毒感染操作,从而改善宿主种群的多样性,增强免疫克隆算法的局部搜索能力。实验结果表明,与其他优化算法相比,病毒进化型免疫克隆算法的搜索能力更强,收敛速度更快,明显改善了机械手结构的优化设计能力。     

合作式协同进化用于模糊系统的自动生成

进化计算已经被成功地用于模糊系统自动生成.但是当输入变量增加时,一个个体对应整个模糊系统的编码方式往往会因编码太长而降低进化的效率.但每个个体代表一条规则又会给适应度评价带来困难.本文提出了一种把合作式协同进化算法用于模糊系统自动生成的新方法.每个个体代表一条或几条规则组成的子模糊系统,把所有个体分为一些子种群,这些子种群进行合作式协同进化,引入一个自适应机制动态调整种群个数,最后从每个子种群中选出最佳个体构成完整的模糊系统.实验结果显示该算法提高了进化效率.最后对个体定义等相关问题进行了讨论.     

免疫协同微粒群进化算法的永磁同步电机多参数辨识模型方法

针对永磁同步电机多参数辨识问题,提出一种基于免疫协同微粒群进化(Immune co-evolution particle swarm optimization, ICPSO) 算 法的永磁同步电机(Permanent magnet synchronous motor, PMSM) 多参数辨识方法.算法由记忆种群与若干个普通种群构成, 在进化过程中普通种群中优秀个体进入记忆库种群.普通种群内部通过精英粒子 保留、免疫网络以及柯西变异等混合策略共同产生新个体,个体极值采用小波学习 加快收敛速度,免疫克隆选择算法对记忆库进行精细搜索,迁移机制实现了整个种群 的信息共享与协同进化.永磁同步电机参数辨识结果表明该方法不需要知道电 机设计参数先验知识,能够有效地辨识电机电阻、 dq轴电感与转子磁链,且能有效追踪该参数变化值.     

自适应克隆抑制人工免疫算法*

分析了传统的人工免疫算法在寻优过程中易陷入局部极值点或过早收敛的原因,对算法进行了改进,提出了一种自适应克隆抑制免疫算法。改进的算法在克隆下一代抗体时,同时考虑了抗体亲和度和浓度两个因素,并给出了一种自适应调节两者关系的算子,兼顾了收敛速度和后代抗体种群多样性两个方面。对改进后的算法进行了分析,给出了数学描述,以便于工程应用。最后,通过典型的算例对提出算法的有效性进行了验证,结果证明,改进后的算法在收敛速度和寻优性能方面均优于传统的人工免疫算法和标准遗传算法。     

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.     

Artificial immune classifier with swarm learning

Artificial immune systems are computational systems inspired by the principles and processes of the natural immune system. The various applications of artificial immune systems have been used for pattern recognition and classification problems; however, these artificial immune systems have three major problems, which are growing of the memory cell population, eliminating of the useful memory cells in next the steps, and randomly using cloning and mutation operators. In this study, a new artificial immune classifier with swarm learning is proposed to solve these three problems. The proposed algorithm uses the swarm learning to evolve the antibody population. In each step, the antibodies that belong to the same class move to the same way according to their affinities. The size of the memory cell population does not grow during the training stage of the algorithm. Therefore, the method is faster than other artificial immune classifiers. The classifier was tested on two case studies. In the first case study, the algorithm was used to diagnose the faults of induction motors. In the second case study, five benchmark data sets were used to evaluate the performance of the algorithm. The results of second case studies show that the proposed method gives better results than two well-known artificial immune systems for real word data sets. The results were compared to other classification techniques, and the method is competitive to other classifiers.     

A preference multi-objective optimization based on adaptive rank clone and differential evolution

Evolutionary multi-objective optimization (EMO) algorithms have been used in various real-world applications. However, most of the Pareto domination based multi-objective optimization evolutionary algorithms are not suitable for many-objective optimization. Recently, EMO algorithm incorporated decision maker’s preferences became a new trend for solving many-objective problems and showed a good performance. In this paper, we first use a new selection scheme and an adaptive rank based clone scheme to exploit the dynamic information of the online antibody population. Moreover, a special differential evolution (DE) scheme is combined with directional information by selecting parents for the DE calculation according to the ranks of individuals within a population. So the dominated solutions can learn the information of the non-dominated ones by using directional information. The proposed method has been extensively compared with two-archive algorithm, light beam search non-dominated sorting genetic algorithm II and preference rank immune memory clone selection algorithm over several benchmark multi-objective optimization problems with from two to ten objectives. The experimental results indicate that the proposed algorithm achieves competitive results.     

采用生物信息克隆的免疫算法

受克隆选择过程生物学原理的启发, 提出了一种采用生物信息克隆的免疫算法. 抗体克隆依赖于一个动态平衡的网络, 并与遗传因素相关. 为了解决传统克隆过程中信息不能充分利用的问题, 该进化算法将环境信息、抗体历史信息以及抗体遗传特征积累的影响引入人工免疫系统, 用这多种信息作为先验知识为克隆过程提供决策支持, 引导抗体系统的更新. 同时采用实数与二进制混合编码方式增加种群多样性, 提高收敛速度, 然后分析了该算法的收敛性. 仿真实验结果表明, 该克隆策略能较大的提高免疫克隆算法的优化能力; 与几种高级免疫克隆算法和进化算法相比, 该算法寻优精度高, 收敛速度快, 能有效的克服早熟现象, 并具有很好的高维优化能力.     

人工免疫系统研究的新进展

综述了人工免疫系统的最新研究成果。首先简述了生物免疫系统的信息处理机理，其次介绍了独特型人工免疫网络、多值免疫网络、免疫联想记忆等人工免疫模型，以及反向选择、免疫遗传、克隆选择等五类免疫学习算法，最后介绍了人工免疫系统的应用，并展望了该领域的进一步研究方向。     

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。     

基于免疫记忆的蚁群算法

充分利用前期迭代中解的信息是构造高效蚁群算法实现的关键之一.文中把免疫记忆和克隆选择的思想引入蚁群算法,提出了基于免疫记忆的蚁群算法(IMBACA).算法通过在原有蚁群模型上增加一个免疫记忆库,将记忆库中的解对应为免疫记忆细胞(及其产生的抗体),将问题对应为抗原,并借鉴克隆选择和免疫记忆的思想进行解的构造和信息素更新.算法从解的质量和时间方面与传统蚁群算法进行了比较,实验结果表明,所提出的IMBACA算法可明显提高传统蚁群算法的性能,同时也为解决其他组合优化问题提出了一个新的思路.     

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.