分级变异的动态克隆选择算法

基于浮点数编码,提出一种分级变异的动态免疫克隆选择优化算法．根据抗体的亲和度将种群分解为3个子种群,分配以不同的搜索任务,实施不同的变异策略．在进化过程中动态改变种群规模、克隆规模和变异参数,从而加快了全局搜索速度,提高了局部搜索精度．对5个复杂函数的优化仿真实验表明了该算法的有效性。     

基于等级变异的克隆选择算法

提出一种克隆选择算法--基于等级变异的克隆选择算法. 为提高进化中变异的有效性, 算法将变异尺度分成若干等级, 低等级变异有利于跳出局部最优解, 实现全局寻优; 高等级变异有利于局部的高精度寻优.此外, 算法在进化过程中记忆父抗体的变异尺度等级等信息, 并制定有效的变异策略运用这些信息以指导后续进化过程. 采用标准函数测试并与其它优化算法进行对比． 实验结果表明,该算法具有收敛速度快、全局搜索能力强、精度高和鲁棒性好的优点．     

基于变异记忆矩阵的克隆选择算法

利用免疫系统的免疫记忆机制,提出一种适于函数优化的基于变异记忆矩阵的克隆选择算法.首先,利用变异记忆矩阵保存进化中有用的变异信息,以引导抗体的克隆和变异操作,加强局部搜索能力;然后,利用当代种群的综合信息生成新抗体进入种群,以加强全局搜索能力;最后,对最优抗体进行自学习,以提高算法结果的精度.标准函数仿真表明,该算法适合求解复杂函数优化问题,具有收敛速度快、全局收敛能力强、精度高、鲁棒性强的优点.     

基于变异粒子群算法的字符串型测试数据生成

基于搜索的算法在以路径覆盖为目标的测试数据生成中应用广泛。然而对于字符串型测试数据的生成,现有方法效率不高。为了高效地生成字符串型测试数据,提出了一种基于变异粒子群算法的字符串型测试数据自动生成方法。在随机生成初始种群后,采用粒子群算法使种群在趋近最优个体的过程中实现进化,并以一定的概率对种群中的个体进行变异操作,以避免进化过程陷入局部最优。为了有效地指导种群进化过程,对经典适应度函数中分支距离的计算方法进行改进,使其适用于含有字符串型参数的程序。实验结果表明,该方法具有较高的成功率和稳定性,且能明显提升测试数据生成效率。     

一种基于抗体网络的免疫算法

阐述了免疫系统抗体网络的机理和特点,深入分析了抗体网络与常用的免疫算法和Hopfield神经网络异同.通过不断更新输入模式(抗原)和采用最优保存策略,将基于克隆选择的竞争学习算子、自动生成网络结构、剪枝算子和低频变异用于进化操作,提出一种新的基于抗体网络的免疫算法,用于函数优化问题.实验结果表明新算法可行有效.与常用的免疫算法、Hopfield神经网络优化算法比较,新算法具有较好的全局搜索能力和较快收敛速度.     

基于人工免疫系统的数据简化

针对数据简化中的实例选择问题,基于抗体克隆选择学说提出了一种免疫克隆数据简化算法.利用马尔可夫理论证明了该算法能以概率1 收敛.通过对7 个具有代表性的标准UCI 数据集的简化实验证明了该算法的有效性.通过实验分析了权值参数λ的取值变化对算法性能的影响,确定了其最佳取值区间.针对海量数据集简化时算法收敛较慢的问题,引入分层编码策略.通过对7 个大规模及海量数据集的简化实验表明了在进化代数不变的情况下,新的编码方式能够极大地提高算法的收敛速度,得到更为理想的结果.通过对Letter 和DNA两个数据集的实验给出了分层编码中层数t的最佳取值区间.     

基于反馈机制的克隆反馈优化算法的稳定性研究

克隆选择算法是一种基于克隆选择原理的进化优化算法,但是它因受抗体浓度的影响而稳定性较差。在传统的克隆选择算法的基础上,充分考虑抗体的浓度和种群多样性两方面因素,提出了一种新的基于反馈机制的克隆反馈优化算法。该算法融入了一种进化反馈深度模型和种群生存度设计理念,有效提高了算法的稳定性。最后,将该算法应用到网格计算独立任务调度中,取得了较理想的实验结果。     

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.     

克隆选择免疫遗传算法对高维0/1背包问题应用

针对遗传算法求解高维背包问题收敛速度慢、易于陷入局部最优的缺点,基于生物免疫系统克隆选择原理,提出一种克隆选择免疫遗传算法。该算法中抗体采用二进制编码,通过抗体浓度设计抗体亲和力,进化群分离为可行群和非可行群,进化过程仅可行抗体动态克隆和突变,非可行抗体经修复算子获可行抗体。数值实验中,选取三种著名的算法用于四种高维的背包问题求解,结果表明:所提算法较其他算法具有更强的约束处理能力和快速收敛的效果。     

免疫多克隆策略

基于细胞克隆选择学说，系统阐述了用于人工智能的多克隆算子。将多克隆算子用于进化算法，提出了改进的进化策略算法——免疫多克隆策略算法，并基于Markov链的有关性质，证明了该算法的收敛性。理论分析和仿真实验表明，与传统的进化策略算法相比，该算法有效克服了早熟问题，保持了抗体的多样性，而且收敛速度快。     

定向多尺度变异克隆选择优化算法

提出一种定向多尺度变异克隆选择优化算法.为了实现抗体间信息共享,算法利用定向进化机制引导抗体向着抗体群最优解区域逼近.采用多尺度高斯变异机制,在算法初期利用大尺度振荡变异实现了全局最优解空间的快速定位.随着适应值的提升,小尺度变异会随之减低,使得算法在进化后期通过小尺度变异完成局部精确解的搜索.将算法应用到5个经典函数优化问题,结果表明,该算法不仅具有更快的收敛速度,而且全局解搜索能力和稳定性均有显著提高.     

基于微正则算法和支持向量机的话务量预测

根据话务量数据的特征,首次提出了一种基于微正则退火算法和支持向量机的预测模型。支持向量机参数的选择影响其预测的能力,微正则退火算法而是通过在状态空间中随机行走的虚拟妖来实现参数的优化选择。实际的话务量数据验证表明,其搜索成功率远高于模拟退火算法,目标函数值下降更快,能在短时间内搜索到最优解,且预测精度高。     

一种改进的克隆选择算法在多峰值函数优化中的应用

为了解决deCastro2002年提出的CLONALG算法在多峰值函数优化时多峰搜索能力弱、训练时间长的问题,本文提出了一种改进的克隆选择算法。该算法运用新的克隆选择操作、克隆变异操作和最佳抗体停止进化操作,并且引入了抗体抑制操作,不仅可以动态调整种群大小,具有较强的全局和局部搜索能力,而且搜索时间较短。与Castro的克隆选
择算法相比,本文算法在较短的时间内可以搜索到全局最优解和更多的局部最优解。     

基于FWADE-ELM的短时交通流预测方法

受道路环境和人为因素影响,实际交通系统可视为一个复杂的非线性动力系统,交通流数据具有较强的非线性、时变性和易受随机噪声影响等特征.针对复杂环境下的短时交通流预测问题,提出一种基于烟花差分进化混合算法-极限学习机的短时交通流预测方法.采用奇异谱分析方法滤除原始交通流数据中包含的噪声成分,降噪后的交通流数据用于训练极限学习机(ELM)网络预测模型.进行相空间重构,利用C-C算法确定ELM网络的结构和关键参数.通过融合烟花算法和差分进化算法提出一种烟花差分进化混合算法,可有效提高基本算法的整体优化性能.将改进的混合优化算法用于优化ELM网络的权阈值(结构为9-11-1,维数为110),建立短时交通流预测模型.测试与应用结果表明,所构建的短时交通流预测模型具有较高的预测精度和较强的泛化能力(均方误差为7.75,平均绝对百分比误差为0.086 7),预测值与实际值的拟合程度较好.     

在重构相空间选取样本的时间序列分形预测

提出一种基于相空间重构原理进行样本选取的改进分形预测算法。该算法将时间序列在相空间重构中得到的嵌入维数和时间延迟作为分形预测中数据样本的选择依据,结合分形理论的拼贴定理和插值迭代算法,实现时间序列的分形预测,建立时间序列的分形预测模型。利用此改进算法对低压电力线噪声序列进行预测的结果表明,与现有分形算法相比,改进算法提高了数据样本间的相似度,优化了数据样本的选取,明显提高了预测的精度,适合于对自相似性和周期性不明确的时间序列的预测。     

一种利用膜计算求解高维函数的全局优化算法

鉴于传统优化算法在求解高维多模态优化问题时存在收敛速度慢,求解精度低的缺点,针对上述问题提出了一种基于膜计算的优化算法。算法首先对高维空间进行分割,分割后每个子空间作为一个基本膜,基本膜区域中采用差分局部搜索策略提高算法的局部搜索能力和收敛速度。基本膜区域将局部最优解定时传送给表层膜。表层膜区域中采用全局搜索策略寻找全局最优解。通过对5个benchmark函数仿真验证,实验结果表明,该算法在收敛速度,求解精度和稳定性方面都有较大优势。     

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.     

Using an Efficient Immune Symbiotic Evolution Learning for Compensatory Neuro-Fuzzy Controller

This paper presents an efficient immune symbiotic evolution learning (ISEL) algorithm for the compensatory neuro-fuzzy controller (CNFC). The proposed ISEL method includes three major components—initial population, subgroup symbiotic evolution, and immune system algorithm. First, the self-clustering algorithm that determines proper input space partitioning and finds the mean and variance of the Gaussian membership functions and number of rules is applied to the initial population. Second, the subgroup symbiotic evolution method that uses each subantibody represents a single fuzzy rule and the evolution of the rule itself. Third, the immune system algorithm uses the clonal selection principle, such that antibodies between others of high similar degree are canceled, and these antibodies, after processing, will have higher quality, accelerating the search, and increasing the global search capacity. Finally, the proposed CNFC with ISEL (CNFC–ISEL) method is adopted to solve several nonlinear control problems. The simulation results have shown that the proposed CNFC–ISEL can outperform other methods.      

Comprehensive learning particle swarm optimization based memetic algorithm for model selection in short-term load forecasting using support vector regression

BackgroundShort-term load forecasting is an important issue that has been widely explored and examined with respect to the operation of power systems and commercial transactions in electricity markets. Of the existing forecasting models, support vector regression (SVR) has attracted much attention. While model selection, including feature selection and parameter optimization, plays an important role in short-term load forecasting using SVR, most previous studies have considered feature selection and parameter optimization as two separate tasks, which is detrimental to prediction performance.ObjectiveBy evolving feature selection and parameter optimization simultaneously, the main aims of this study are to make practitioners aware of the benefits of applying unified model selection in STLF using SVR and to provide one solution for model selection in the framework of memetic algorithm (MA).MethodsThis study proposes a comprehensive learning particle swarm optimization (CLPSO)-based memetic algorithm (CLPSO-MA) that evolves feature selection and parameter optimization simultaneously. In the proposed CLPSO-MA algorithm, CLPSO is applied to explore the solution space, while a problem-specific local search is proposed for conducting individual learning, thereby enhancing the exploitation of CLPSO.ResultsCompared with other well-established counterparts, benefits of the proposed unified model selection problem and the proposed CLPSO-MA for model selection are verified using two real-world electricity load datasets, which indicates the SVR equipped with CLPSO-MA can be a promising alternative for short-term load forecasting.     

基于过程神经元网络的动态预测模型及其应用

〗针对动态系统过程预测预报问题，提出了一种基于过程神经元网络的动态预测方法．过程神经元网络的输入/输出均可以是时变函数，其时空聚合运算和激励可同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应．基于过程神经元网络的动态预测模型能同时满足对系统的非线性辨识和过程预测，在机制上对动态预测预报问题有较好的适应性．文中给出了基于函数基展开和梯度下降法的学习算法，以电力负荷预报为例验证了模型和算法的有效性．