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。     

免疫排课算法

为了排课的高效性，提出了利用免疫算法求解排课问题。该算法根据生物免疫系统机理设计，将排课的目标和约束条件作为抗原，将问题的解作为抗体，对抗体采用二进制编码，对新抗体的繁殖是通过部分交叉和变异算子实现，对抗体产生的刺激和抑制通过抗体浓度调节，而抗体浓度通过计算抗体之间的最大亲和力获得。时排课问题的测试表明，适当调整繁殖参数，能快速获得最优解或近似最优解，更可喜的是排课结果较为均匀。     

基于实数编码免疫算法的分布式任务调度

任务调度问题是一个NP难题,其算法是一个重要研究方向。该文通过对任务调度模型及已有免疫算法进行研究和比较,提出一种基于实数编码免疫算法的任务调度算法。讨论问题的编码方式、种群的生成及更新、记忆细胞的更新及部分参数的取值,探讨亲和度函数和浓度函数。采用VC++实现该算法,并通过实例分析对比,证明了其有效性和可行性。     

带双重变异算子的自适应粒子群优化算法

提出了一种双重变异自适应粒子群优化算法,该算法除了使用自适应算子来改变惯性权重外,还在搜索过程中使用非均匀变异算子对位移进行变异,扩大位移的搜索范围.当算法陷入局部收敛时,使用柯西变异算子对全局最优解进行变异,促使粒子逃离局部最优的陷阱,从而最大限度的提升算法全局搜索的性能.通过对4个标准函数的测试,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟收敛的陷阱.     

基于混合遗传算法的板坯入库优化算法

研究适合板坯入库的优化算法,从而更合理地分配空间,改善板坯仓库劳动强度大,空间利用率低的现状.在已有的带匹配权值的Best Fit算法(Weighted Best Fit, WBF)基础上采用遗传算法优化板坯排序,然后在遗传算法中引入相异度函数和非均匀变异策略,克服早熟提高收敛速度,从而构成一种混合WBF和遗传算法的板坯入库优化算法.此算法比WBF算法或单纯的遗传算法更能提高算法性能和优化效果.     

改进人工免疫算法的分析研究

详细分析了人工免疫算法(AIA)基于信息熵计算抗体浓度存在的缺点,提出了三种新的浓度计算方法。分析了基于新的浓度计算方法的各种改进的人工免疫算法的收敛性。对两种变形大海捞针类函数的优化结果表明,改进的人工免疫算法较传统的人工免疫算法有较大的优越性。     

采用种群划分的动态自适应免疫克隆选择算法

为了克服传统免疫克隆选择算法的种群缺乏多样性、抗体选择不具随机性的缺点,提出了一种新型动态自适应免疫克隆选择算法。在该算法求解过程中,根据抗体的亲和度将抗体种群动态地分为记忆单元和一般抗体单元,以球面杂交方式对种群进行调整并动态修正每个抗体的变异概率,从而保障了群体多样性,加快了算法的全局搜索速度。实例验证了所提算法具有较好的性能。     

改进的免疫算法及其在工程中的一个应用

免疫算法是一种基于生物免疫系统学习机理的优化算法.本文在免疫算法的新抗体产生和群体更新策略分别采用基于遗传操作和基于信息熵的改进.它相比较标准遗传算法而言具有很好的全局搜索能力和收敛性.最后,应用一个工程实例证明该方法的可行性和有效性.     

基于改进免疫克隆算法的BP网络权值优化

在简单分析了BP网络的缺陷以及应用遗传算法来优化网络权值存在的不足之后,采用了一种免疫克隆算法对BP网络的权值进行优化,并对算法的变异算子进行了改进,改进后的变异算子把高斯变异与柯西变异有效地结合在一起,兼顾了精确的局部搜索与大范围搜索的优点,在扩大算法搜索范围的同时也保证了算法搜索的精细度.仿真实验结果表明,改进后的免疫克隆算法不仅有效地提高了BP网络学习的速度,还很好地改善了算法收敛性能,克服了遗传算法收敛速度慢,易陷入局部极优的缺点,可以成功地应用于BP网络的权值优化.     

基于混沌理论的免疫遗传算法

为提高免疫遗传算法的运算效率,根据免疫系统本身的混沌特性,提出了一种混沌免疫遗传算法。该算法利用混沌系统的遍历性来减少数据冗余,利用混沌系统的初值敏感性来扩大搜索范围,从而保持了种群的多样性,避免了局部最优。实验表明,该算法比传统的免疫遗传算法具有更高的收敛速度及收敛性能。     

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.     

改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

一种加快基于信息熵的人工免疫算法运行速度的方法

为了提高人工免疫算法(AIA)的运行速度，对AIA的算法构成进行了详细深人的分析研究，发现AIA的大部分机时耗费在计算抗体群信息熵过程中的大量的对数函数重复计算上面，据此提出了一种利用查表方法计算对数函数和定长染色体构成的有限群体信息熵的方法，并把该方法应用到基于信息熵的人工免疫算法中去。仿真实验结果表明，新的方法使基于信息熵的人工免疫算法的运行速度提高了16．6倍，而对人工免疫算法的其他性能影响很小。     

一种用于入侵检测的改进人工免疫算法

通过对基于信息熵和基于欧氏距离的免疫算法的分析和改进,提出一种新的适用于入侵检测的人工免疫算法（AIAID）。该算法引入马氏距离的思想,改进相似度和期望繁殖率的计算,把抗体不同特征的重要性和取值范围加入到相关运算中,对算法流程进行优化。设计一种新的基于AIAID的入侵检测系统模型。实验表明,将AIAID用于入侵检测能够明显缩短训练时间,提高检测效率。     

基于免疫克隆算法的非均匀星座优化

针对在使用均匀调制星座时比特交织编码调制容量与香农容量差距较大的问题,提出使用免疫克隆算法进行非均匀星座优化。该算法分为两层迭代:外层迭代通过仿真误比特率性能得到当前星座的工作点(信噪比);内层迭代在外层迭代得到的工作点下通过克隆、变异、替换等操作得到新的星座。仿真结果表明,与均匀星座以及美国高级电视系统委员会发布的第三版地面数字电视标准中所采用的非均匀星座相比,该算法优化的星座可有效提升系统容量及误比特率性能。因此,提出的算法适合用于非均匀星座优化。     

基于遗传的免疫算法在函数优化中的应用

通过对传统免疫算法的研究,在此算法的基础上提出了一种改进的免疫算法一基于遗传的免疫算法,该算法把遗传算法的思想引入到免疫算法中．通过把遗传算法和免疫算法的思想结合起来,既保证了抗体的多样性又保留了群体中较优抗体,避免了免疫算法搜索速度慢和遗传算法易出现未成熟收敛、限于局部最优解的缺点,得到了全局最优解。并且将提出的基于遗传的免疫算法应用到函数优化中。     

基于免疫遗传算法的建筑构件创新设计

分析建筑构件的特点,使用免疫遗传算法对建筑构件的设计进行约束和控制。对原有的遗传算法做了改进,在适应度函数构建方面增加了对称度、均匀度和平滑度的度量,在选择算子构造方面引入了免疫算法抗体的相似度。实验结果表明,该算法能够增强建筑构件设计的创新性。     

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。