改进免疫遗传算法及其应用研究

在传统遗传算法基础上提出一种改进遗传算法——免疫遗传算法（IGA）,该算法将生物系统免疫思想引入遗传算法中,通过计算抗体之间的亲和度来促进和抑制抗体,既保留了群体中较优抗体又保证了抗体多样性,避免搜索进化的过早收敛,得到全局最优解。文中采用此改进算法来控制无源光中光分支器和光网络单元中位置分配选择,通过浓度因子控制解空间的搜索方向,帮助逃离局部极值。利用Visual C＋＋6．0对改进的免疫遗传算法和传统遗传算法进行比较,证明IGA的有效性和优越性。     

改进免疫遗传算法及其应用研究

在传统遗传算法基础上提出一种改进遗传算法--免疫遗传算法(IGA),该算法将生物系统免疫思想引入遗传算法中,通过计算抗体之间的亲和度来促进和抑制抗体,既保留了群体中较优抗体又保证了抗体多样性,避免搜索进化的过早收敛,得到全局最优解.文中采用此改进算法来控制无源光中光分支器和光网络单元中位置分配选择,通过浓度因子控制解空间的搜索方向,帮助逃离局部极值.利用Visual C 6.0对改进的免疫遗传算法和传统遗传算法进行比较,证明IGA的有效性和优越性.     

基于免疫遗传算法的软件测试数据自动生成

提出了一种应用于软件测试中的基于免疫遗传算法（IGA）的软件测试数据自动生成的算法。该算法在传统的遗传算法中引入免疫算子,免疫算子其中包括获取疫苗、注射疫苗和免疫选择。实验结果表明,该算法的效果比传统的遗传算法效果好。     

基于免疫遗传算法的路径测试数据生成的研究

提出了一种基于免疫遗传算法的路径测试数据的自动生成的方法。该算法在遗传算法中加入免疫算子,免疫算子其中包括获取疫苗、注射疫苗和免疫选择。并在海明距离法的基础上,文中提出了一种路径测试的适应度函数的改进方法。实验表明,采用改进的适应度函数的免疫遗传算法在数据自动生成上效果更优。     

自适应免疫克隆粒子群算法的地震波阻抗反演

针对粒子群优化算法应用于地震波阻抗反演问题时易陷入局部极小值和计算量大的问题,提出一种自适应免疫克隆粒子群（AICPSO）算法。该算法引入免疫机制,根据个体浓度和适应值概率定义了个体置换算子,能够避免粒子群算法陷于局部极值。为避免由进化过程中大量相同抗体引起的算法退化现象,根据记忆库和抗体群不同的特性,采用自适应变异算子更新记忆库,而依据抗体浓度和亲和度更新下一代抗体群体。经数值模拟和实际波阻抗资料反演表明,该算法不依赖于初始模型,收敛速度快且结果可靠。免疫粒子群优化算法为解决地震波阻抗反演问题提供了一条可行途径。     

改进的免疫克隆遗传算法研究及其在函数优化中的应用

针对免疫克隆遗传算法存在着"早熟"和局部搜索能力弱的问题,提出了一种改进方法.该方法用一位修正算子来改进后期局部搜索方面的不足,并对免疫克隆遗传算法的各个算子进行了改进.实验表明,新的改进算法在搜索效率和搜索能力上都有着显著的提高.     

基于免疫遗传算法的构件化软件测试用例生成

提出了一种基于免疫遗传算法(GA)的构件化软件测试用例生成模型(MTCGCBS),介绍了IGA算法的基本思想。通过将IGA算法与传统遗传算法和随机算法在水利构件化软件测试用例生成中的比较,说明了IGA算法的效率明显高于传统遗传算法和随机算法,同时也进一步验证了模型的正确性、可行性。     

基于免疫算法的HLR软件系统测试用例生成

提出了一种基于免疫遗传算法(Immune Genetic Algorithm,简称IGA)的HLR软件测试用例生成模型(Model of Test Case Generation of HLR Software,简称MTCGHS),并详细地介绍了IGA算法的基本思想.通过将IGA算法与传统遗传算法和随机算法在HLR软件测试用例生成中的比较,说明了IGA算法的效率明显高于传统遗传算法和随机算法,同时进一步验证了模型的正确性、可行性.     

求解串并联系统配置问题的免疫遗传算法

通过对串并联系统配置可靠性问题的分析,提出了基于免疫遗传算法（IGA）求解该问题的方法。在保留基本遗传算法随机全局搜索能力的基础上,借鉴生物免疫机制中抗体的多样性保持策略,大大提高了算法的群体多样性。实验结果表明,免疫遗传算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,其全局收敛性及收敛速度均得到了提高。     

基于改进遗传算法的自动组卷问题研究

研究自动组卷优化问题,由于题库组卷的随机性,难度很大.在自动组卷研究中,遗传算法(GA)容易出现早熟、收敛速度慢等问题,为了快速可信地组卷,提出一种基于改进遗传算法的智能组卷算法(IGA).IGA算法在传统遗传算法的基础上,用符合组卷问题特点的实数编码、条件初始种群和分段交叉和变异算子来保证种群的多样性,防止早熟现象,采用加权误差的适应度函数加快收敛速度.通过进行仿真,结果表明,IGA相对于自适应遗传算法和标准遗传算法,提高了组卷有效性、稳定性和计算效率,能有效解决自动组卷问题.     

A novel genetic algorithm based on immunity

A novel algorithm, the immune genetic algorithm (IGA), is proposed based on the theory of immunity in biology which mainly constructs an immune operator accomplished by two steps: 1) a vaccination and 2) an immune selection. IGA proves theoretically convergent with probability 1. Strategies and methods of selecting vaccines and constructing an immune operator are also given. IGA is illustrated to be able to restrain the degenerate phenomenon effectively during the evolutionary process with examples of TSP, and can improve the searching ability and adaptability, greatly increase the convergence rate     

Clonal Strategy Algorithm Based on the Immune Memory

Based on the clonal selection theory and immune memory mechanism in the natural immune system, a novel artificial immune system algorithm, Clonal Strategy Algorithm based on the Immune Memory (CSAIM), is proposed in this paper. The algorithm realizes the evolution of antibody population and the evolution of memory unit at the same time, and by using clonal selection operator, the global optimal computation can be combined with the local searching. According to antibody-antibody (Ab-Ab) affinity and antibody-antigen (Ab-Ag) affinity, the algorithm can allot adaptively the scales of memory unit and antibody population. It is proved theoretically that CSAIM is convergent with probability 1. And with the computer simulations of eight benchmark functions and one instance of traveling salesman problem (TSP), it is shown that CSAIM has strong abilities in having high convergence speed, enhancing the diversity of the population and avoiding the premature convergence to some extent.     

自抗扰控制器参数的免疫遗传优化及应用

针对自抗扰控制器参数较多不易整定的问题,提出了基于免疫遗传算法的参数优化设计方法。与标准遗传算法相比,免疫遗传算法引入了免疫记忆库和浓度控制机制,提高了算法的收敛效率和局部收敛性能。并且综合考虑系统动态性能和实际工程中控制代价的限制因素建立了控制系统性能评价的目标函数,按照分离性原则进行自抗扰控制器设计并用免疫遗传算法对其关键参数进行寻优。将该方法应用于过热汽温度控制系统的变工况运行,仿真实验结果表明经过免疫遗传算法优化后的自抗扰控制器适应性较强,适用于模型参数变化范围较大的受控对象。     

一种反演问题求解的免疫克隆粒子群优化算法

为了克服标准粒子群优化(PSO)算法易陷入局部最优以及进化后期收敛速度慢等缺陷,分析了标准PSO算法早熟收敛的原因,提出了基于混合变异机制的免疫克隆粒子群优化(ICPSO)算法并将其应用到波阻抗反演问题中.克隆选择算子能够在局部极值点接近全局最优点时有效增强最优粒子跳出局部解的能力;引入混沌映射Tent序列加速最优粒子的变异学习,在局部极值点与全局最优点距离较远时扩大遍历范围,避免陷入局部极值.通过理论模型试算表明,ICPSO算法在进行波阻抗反演时不仅收敛速度快,而且具有较高的反演精度和抗噪性能.     

基于免疫遗传算法的Web服务组合方法

针对Web服务组合提出一种免疫遗传算法(IGA)。该算法将免疫原理引入遗传算法(GA)中,提高算法的整体特性。主要表现在免疫选择可有效地防止早熟,基于免疫记忆的子群体信息交换策略可加速收敛。GA在Web服务选择上存在不足,而IGA可以在备选的Web服务中进行有效的选择并最终组成Web服务组合,提高服务组合的质量和收敛速度。仿真实验结果表明IGA比GA更有效。     

APF-guided adaptive immune network algorithm for robot path planning

Inspired by the mechanism of Jerne’s idiotypic network hypothesis, a new adaptive immune network algorithm (AINA) is presented through the stimulation and suppression between the antigen and antibody by taking the environment and robot behavior as antigen and antibody respectively. A guiding weight is defined based on the artificial potential field (APF) method, and the guiding weight is combined with antibody vitality to construct a new antibody selection operator, which improves the searching efficiency. In addition, an updating operator of antibody vi-tality is provided based on the Baldwin effect, which results in a positive feedback mechanism of search and accelerates the convergence of the immune network. The simulation and experimental results show that the proposed algorithm is characterized by high searching speed, good convergence performance and strong planning ability, which solves the path planning well in complicated environments.     

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。     

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。     

基于免疫遗传算法和梯度下降的RBF网组合训练方法

免疫遗传算法除了具有简单遗传算法的全局寻优能力外,还具有免疫记忆、免疫调节及多样性保持功能。梯度下降算法训练神经网络收敛速度慢,容易陷入局部最优,且受初始值的影响较大。本文综合两种方法的优点,提出一种用免疫遗传算法结合梯度下降算法的组合训练方法,用于RBF网的训练,并通过实验证明所提出的组合算法比简单遗传算法结合梯度下降组合算法的速度更快并且最终误差更小。