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。     

基于拟随机序列与克隆选择的进化V-detector 算法

阴性选择(NS)算法是人工免疫的核心方法,检测器生成是其关键。针对其经典V-detector算法中高维数据失效及随机生成初始检测器集过于集中而导致过早收敛等问题,首先采用拟随机序列生成初始检测器;然后通过克隆选择优化检测器集合,以覆盖非自体空间大小及数量作为亲和力标准,克服传统进化阴性选择(ENS)算法的局限性,并采用新型进化算子使得算法生成最优检测器集合;最后,通过实验验证了该方法的有效性。     

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.     

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。     

一种并行免疫进化策略算法研究

基于克隆选择原理,提出一种自适应并行免疫进化策略．在算法中根据抗体抗原亲和度将初始抗体种群分为两个子群,相应地提出了精英克隆算子和超变异算子．通过精英克隆算子提高算法局部搜索能力,同时利用超变异算子维持种群多样性,通过这两个功能互补算子的并行操作实现种群进化．仿真表明,自适应并行免疫进化策略搜索效率高,能有效抑制早熟收敛现象,可用于解决复杂机器学习问题．     

免疫进化否定选择算法

当训练样本分布密集交错时,传统的否定选择算法难以将检测器生成在正/反样本间的有效区域,导致检测器集合对这些样本的识别率降低,影响了算法性能。为使检测器能有效地识别分布密集交错的样本,本文提出了免疫进化否定选择算法（IENSA）。IENSA通过加入两个免疫进化过程,首先在样本分布密集的区域引导检测器在正/反样本之间有效地生成,然后在样本分布稀疏的区域对冗余检测器进行抑制。实验结果表明在二维人工数据集Rectangle与三维标准数据集Skin Segmentation上,相对于经典的RNSA与V-Detector算法,IENSA均能以较少的检测器而达到较高的检测率。     

基于多记忆抗体克隆选择的人工免疫网络算法

在优化克隆算法的研究中,针对传统的克隆选择算法存在收敛性差和局部最优问题,提出一种多记忆抗体克隆选择原理的人工免疫网络算法。在克隆选择算法的基础上通过引入替代阀值因子,利用随机生成的新抗体组成种群替代原种群中对抗原亲和力最小抗体,同时增设变异概率的概念,达到在一定程度上避免记忆抗体种群的退化现象,提高算法的全局优化能力,避免陷入局部最优。仿真结果表明,算法加快了种群亲和力成熟的进程,随着进化代数的增加检测率总体呈上升趋势,能更好的应用于大规模各种识别问题中。     

基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长。为进一步提高 GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法—C1onalQuantum-GEP。该算法通过 量子种群的更新和探测影响杭体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样 性、更强的全局寻优能力和更快的收敛速度。在几个标准数据集上的实验验证了算法的有效性。与基本的GEP算法 相比,C1onalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果。     

基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长.为进一步提高GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法——ClonalQuantum—GEP.该算法通过量子种群的更新和探测影响抗体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样性、更强的全局寻优能力和更快的收敛速度.在几个标准数据集上的实验验证了算法的有效性.与基本的GEP算法相比,ClonalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果.     

基于量子进化算法的路由选择

网络中存在许多设计和优化问题,其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。为了降低计算机网络的时延和运营费用以改进网络性能,采用量子进化算法优化计算机网络中路由选择问题,深入研究了量子进化算法及其在路由选择优化问题中的应用,并对量子进化算法进行了改进,使之更适合这类问题的求解。仿真实验结果表明,同传统优化算法相比该方法对求解网络的路由选择具有很大优越性。研究结果不仅对各类网络的优化问题有一定的应用价值,而且也扩展了量子进化算法的应用范围。     

基于差分演化和克隆选择机制的优化算法

为了解决函数优化过程中的“早熟收敛”和“搜索迟钝”问题,将差分演化算法与克隆选择算法进行了结合,提出了一种新的差分演化克隆选择算法。该算法将克隆选择操作引入到差分演化算法中,达到了既能够选出最好个体又能够保证种群多样性的效果。实验结果表明该算法在多峰值函数优化问题中,具有求解精度较高,收敛速度较快等优点。     

基于离散差分演化的粗糙集属性约简算法

为了有效地获取属性最小相对约简,提出了一种新的基于离散差分演化算法的粗糙集属性约简算法。利用一种新的区间编码机制将差分演化算法离散化,用于求解最小属性约简问题。提出了一种新的适应度函数计算方法来控制染色体朝着最小约简的方向进化。实验结果表明该算法是有效的,特别是当数据规模较大时收敛速度更快,更加节省计算时间,为属性约简提供了一个新的思路。     

基于疫苗算子和柯西变异的克隆选择算法改进

在网络入侵检测系统中,克隆选择算法已经取得了长足的发展,但是它仍然存在的很多缺点,例如算法收敛过慢,且在变异过程中有退化现象。结合生物系统中疫苗接种技术和柯西变异能产生较大随机数范围的特点,可以分别改进克隆选择算法的这两个缺点。实验结果显示,改进后的算法明显加快了收敛速度,并且提高了检测率。     

基于模运算的新颖离散差分演化算法求解多背包问题

多背包问题（MKP）是一个求解难度极大的背包问题。为了基于差分演化（DE）求解MKP,首先建立了MKP的整数规划模型,在利用模运算构造简单且有效的新型传递函数基础上,提出了一个新颖离散差分演化算法MODDE;基于贪心策略提出了消除MKP不可行解的一个有效算法GROA,由此利用MODDE给出了求解MKP的一种新方法。最后,利用MODDE求解30个国际通用的MKP实例,通过与四个代表性演化算法的比较表明,MODDE不仅计算结果优,而且算法的稳定性强,是求解MKP的一个高效算法。     

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。     

一种基于选择策略的差分混合蛙跳算法

设计了一种选择差分混合蛙跳算法SDSFLA,该算法通过增加组内个体更新个数提高了种群更新效率;通过引入差分进化算法的交叉算子和变异算子,加强了个体之间的信息交流;使用多种更新策略,提高了实验个体产生的成功率;随机选择控制参数,增加了种群的多样性。基于16个基准测试函数,将SDSFLA与一种改进的蛙跳算法、两种改进的差分进化算法进行对比,实验结果证实了SDSFLA算法的有效性和稳定性。     

混合差分进化算法

为了克服差分进化算法容易出现早熟和收敛速度慢的问题,提出了一种混合差分进化算法.该算法在趋药性差分进化算法(CDE)的基础上,通过对较优个体进行变异操作,维护了种群多样性、避免早熟;通过将较差的个体与较优个体进行杂交,提高了开采能力、加快了收敛速度.基于这两种策略,算法的开采能力与探索能力达到了平衡.用该算法解决标准函数优化问题,并将仿真结果与其他算法进行比较,数值结果表明该文算法具有较快的收敛速度和很强的跳出局部最优的能力.     

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.     

折衷的差分演化算法在有约束优化中的应用

设计了一种求解有约束优化问题的新方案,该方案以一种折衷的差分演化算法为基础,应用两个简单的基于可行解的规则引导算法向可行域搜索,应用周期模式处理边界约束。并用该方案优化了一个标准测试集上的全部函数,试验结果表明,与同类方法相比而言,该方案在收敛速度和稳定性两方面表现出较强的竞争力。     

一种新型的差分演化算法及其应用研究

提出了一种新的基于简单多样性规则的改进差分演化算法,并把它运用于约束全局最优化问题的求解中。新算法的特征是: 1)提出一种新的混合自适应交叉变异算子,以增强算法的搜索能力; 2)采用具有保持群体多样性的约束函数处理技术; 3)简化基本差分演化算法的缩放因子,尽量减少算法的控制参数,方便工程人员的使用。通过对13个标准测试函数进行测试,并与其他演化算法结果进行比较。实验结果表明,新算法在求解精度和稳定性具有很好的性能,而且其函数平均评价次数要低于所比较的其他演化算法。