免疫优势克隆算法

借鉴生物免疫学的有关理论,该文阐述了用于人工免疫系统的免疫优势概念,包括抗体免疫优势和抗原免疫优势。进一步地,构造了不同的免疫优势算子,并结合抗体克隆选择机理,提出了一种新的混合人工免疫系统算法一免疫优势克隆算法。0-1背包问题和复杂函数优化问题的仿真试验表明,新算法具有处理类似复杂问题的能力,且性能要优于相应的遗传算法。     

基于免疫克隆算法和K-medoids的网络节点聚类

在大规模分布式网络应用中,对网络节点进行聚类是构建高效网络体系结构的有效办法之一.在利用网络坐标系统Vivaldi得到各个节点的网络坐标的基础上,对网络节点进行K-medoids聚类.然后,针对K-medoids算法对初始中心选值敏感和易陷入局部极值的问题,提出基于免疫克隆算法的K-medoids聚类.实验结果表明,该聚类算法具有良好的可靠性及可扩展性,能对节点进行有效聚类.     

基于免疫克隆聚类协同神经网络的图像识别

该文提出了基于免疫克隆聚类的协同神经网络原型向量求解算法,该算法充分利用免疫克隆的高效全局最优搜索能力构造数据聚类算法,将新聚类算法用于训练协同神经网络的原形向量,并对Brodatz纹理图像库以及合成孔径雷达图像目标进行识别。仿真实验结果表明,相比标准协同神经网络,该算法可以提高网络的识别性能,同经典的支撑向量机相比,该算法在识别率相当的情况下,样本的训练和测试时间都明显缩短。     

基于免疫克隆选择和语义计算的自适应资源检索算法

针对传统聚类算法存在的聚类类别数难以确定、易陷入局部极大和无法反映用户反馈的语义信息的问题,提出了一种基于免疫克隆选择和语义计算的自适应资源检索算法。其主要处理环节是使用语义相似度计算公式来计算抗体的免疫优势;引入了自适应优先算子来动态调解聚类类别,检查用户动态反馈的有效性;引入组合因子来增加抗体种群中个体的多样性,以扩大解的搜索范围,避免过早出现早熟现象;实验结果表明,使用该算法比传统聚类算法具有良好的收敛性、稳定性和更高的全局最优。     

基于量子免疫克隆聚类的SAR图像变化检测

传统的基于进化聚类方法在处理变化检测时耗时过长,在搜索最优聚类中心过程中容易陷入局部最优,对于SAR图像的变化检测存在边缘定位不够准确的缺点,提出了基于量子免疫克隆聚类的SAR图像变化检测方法.把图像的灰度值作为输入信息,通过量子比特定义聚类中心,通过量子免疫克隆算法来搜索最优聚类中心,从而得到更佳的全局阈值,最后根据...     

基于人工免疫网络的动态聚类算法

聚类分析的两个基本任务是分析数据集中簇的数量以及这些簇的位置.大多数的聚类方法通常只关注后一个问题.为了在聚类数不确定的情况下实现聚类分析,本文提出了一种新的结合人工免疫网络和遗传算法的动态聚类算法—DCBIG.新算法主要包含两个阶段:先使用人工免疫网络算法获得聚类可行解,然后使用遗传算法依据聚类可行解实现动态聚类.本文对获得聚类可行解的条件和概率进行了分析.仿真实验结果表明与现有方法相比,新方法具有更高的收敛概率和收敛速度.     

基于遗传聚类算法的Web日志挖掘研究

K-均值聚类对初始聚类中心的选取较敏感,容易陷入局部最优.将改进的遗传算法与K-均值聚类相结合,以优化聚类中心.在种群进化过程中,父代个体均从种群中适应度高的个体中选择,同时,根据个体适应度动态调节交叉概率和变异概率,避免早熟现象.文中采用改进的遗传算法,对学院网站服务器上的Web日志进行用户和页面聚类,达到了很好的聚类效果.     

一种基于进化模型的聚类算法

对于模糊聚类算法对初值或者隶属度矩阵敏感,不能保证收敛到全局最优解的问题,文中提出了一种新的进化聚类算法遗传模拟退火聚类算法SAGA-FCM。利用模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,以避免模糊聚类算法收敛到局部极值或鞍点。实验对不同的人工数据集进行测试,结果分析表明SAGA-FCM算法有比较好的收敛值和收敛速率,具有良好的聚类效果。     

基于遗传算法的高维子空间聚类算法设计

针对高维空间数据的特点,为了降低“维数灾难效应”对聚类结果的影响,提出并实现了一种新的基于遗传算法的子空间聚类算法,通过特征选择方法并结合遗传算法的全局搜索能力对所有的特征子空间进行搜索:采用实数制编码方式对解空间进行编码,并设计一种基于距离和信息熵的适应度评估函数来对聚类结果和子空间所包含的特征维进行评估.最后,通过人工数据与真实数据等几组实验验证了算法的高效性和鲁棒性.实验结果表明,本文提出的新算法能够有效地进行高维数据聚类,降低“维数灾效应”的影响.     

基于自适应遗传算法的椭圆聚类方法

提出一种利用自适应遗传算法对椭圆聚类进行检测和变量估计的新方法.该算法利用自适应遗传算法对目标函数进行优化,既提高了速度,又避免了陷入局部极小值.通过对几个同心和交叉椭圆的合成数据进行测试,验证了该方法的有效性.     

基于模糊C-均值的增量式聚类算法

给出了一种新的基于FCM的聚类算法，能根据由数据的分布的特性自动获取要聚类的数日，在新增数据后,可以进行增量式聚类，结果对孤立点不敏感，并能完成FCM不具备的非球型或椭球型分布的数据集的聚类，实验结果显示算法的有效性和优越性。     

基于免疫克隆选择算法的天线方向图综合技术研究

方向图综合技术是智能天线中的一项重要技术。由于采用遗传算法存在着易于早熟和局部寻优能力不足等缺点,为此,文中提出一种基于免疫克隆选择算法的阵列方向图综合技术。仿真结果验证了免疫克隆选择算法相对于标准遗传算法来说更容易找到全局最优解,不易陷入局部极值,且收敛速度快,实际应用表明,基于免疫克隆选择算法的方向图综合技术是切实可行的,且具有很好的推广潜力。     

基于克隆算法的网络结构聚类新算法

基于目标函数的聚类算法是目前应用最为广泛的聚类分析方法之一.然而这类算法都需要类别数和聚类原型的先验知识,且只能分析具有相同原型的数值型数据.此外这类算法还存在对初始化敏感,易陷入局部极值点等弱点.为此,本文提出一种基于克隆算法的网络结构聚类新算法以实现聚类分析的自动化.由于新算法将克隆选择与禁忌克隆相结合,使网络既具有免疫的特异性又具有免疫的耐受性,通过分析网络神经元的最小生成树,能够快速准确地获得类别数以及相关的分类信息.对各种类型的数据集的测试结果均表明,本文提出的新算法对于处理具有混和特征的数据集聚类分析问题是相当便捷有效的.     

基于模糊聚类和遗传算法的具备解释性和精确性的模糊分类系统设计

提出一种基于模糊聚类和遗传算法的模糊分类系统的设计方法.首先定义了模糊分类系统的精确性指标,给出解释性的必要条件.然后利用聚类有效性分析确定模糊规则数目,利用模糊聚类算法辨识初始的模糊分类系统.随后利用模糊集合相似性分析与融合对初始的模糊分类系统进行约简,提高其解释性;利用遗传算法对约简后的模糊分类系统进行优化,提高其精确性,该过程反复迭代直至满足中止条件.最后利用该方法进行Iris数据样本分类,仿真结果验证了该方法的有效性.     

基于直方图的图像模糊聚类分割算法

针对传统模糊C-均值聚类算法对复杂的医学、遥感图像难以获得满意分割效果问题,将图像模糊C-均值聚类引入图像分割问题研究中,提出了基于直方图的图像模糊聚类快速分割算法。将越南学者Le提出的分布式图像模糊聚类算法目标函数进行简化,得到图像模糊聚类算法目标函数;采用拉格朗日乘子法获取其迭代求解所对应的隶属度、中立度、拒分度和聚类中心表达式,设计图像模糊聚类算法并对其收敛性进行了证明。通过复杂医学和遥感图像的分割测试结果表明,新的分割算法相比现有的模糊C-均值聚类分割算法和直觉模糊C-均值聚类分割算法具有更好的分割性能。     

自适应免疫克隆选择文化算法

 免疫克隆选择算法中,单纯采用克隆选择机制的全局收敛能力较差,而采用（μ+λ）选择机制则容易陷入早熟收敛。为兼顾算法的搜索和探索能力,提出一类自适应免疫克隆选择文化算法。该算法采用文化算法的双层进化机制,提取并利用进化过程中的隐含知识,有机结合克隆选择和（μ+λ）选择两种机制,从而给出一种基于知识的自适应调整选择机制的混合选择策略。针对标准测试函数的仿真结果表明,该算法具有更稳定的全局收敛性能及较快的收敛速度。     

遗传模糊聚类算法在数据关联中的应用

针对传统数据关联算法存在计算量偏大或关联精度不高的问题,提出了一种利用遗传模糊聚类策略来求解数据关联问题的算法。该算法将多传感器多目标的数据关联问题看作是一类约束条件下的组合优化问题,先通过对同一时刻不同传感器提供的量测按照其相似性用遗传算法进行模糊聚类,再用聚类后的等效量测对各目标的状态进行估计。聚类方式的改进不仅增加了算法的局部寻优能力,有效地减少了计算的复杂度,而且还具备一定的野值剔除能力。仿真结果表明该算法关联精度较高,计算量适中,具有一定的工程应用价值。     

基于密度的K-means初始聚类中心选取算法

传统K-means算法的初始聚类中心从数据集中随机抽取,聚类结果会随着初始聚类中心的不同而产生波动。针对这一问题,提出一种基于密度的优化初始聚类中心选取算法,通过计算每个数据对象的密度参数和邻域距离,选取k个处于高密度分布的点作为初始聚类中心。在聚类类别数给定的情况下,使用标准的UCI数据库进行对比实验,发现改进后的算法较传统算法有相对较高的准确率和稳定性。     

基于遗传算法的基因分类

独立分量分析(ICA)是应用于基因分类的一种统计方法.但独立分量分析中的估计分离矩阵算法主要采用了随机梯度算法、自然梯度算法,这些基于梯度下降的寻优算法很容易陷入局部极值,所得结果不精确.本文提出了一种基于遗传算法的基因分类算法,其基本思想是利用遗传算法代替独立分量分析中的传统的估计分离矩阵算法,对基因表达式数据进行分类,从而克服了结果不精确的问题.分析和实验结果表明,该分类方法获得了更好的分类效果.