一种新型免疫遗传算法

标准遗传算法存在收敛速度慢、过早成熟等缺点。借鉴生物免疫系统中抗体注射免疫的理论,提出了一种基于抗体注射的新型免疫遗传算法（AIGA）。该算法在保留标准遗传算法随机全局搜索能力的基础上,引进了生物免疫系统的免疫应答、抗体注射、免疫选择等机制。结合TSP问题,给出了示范抗体的提取和注射方法,并给出了算法收敛性的理论证明。最后,用AIGA算法对100个城市的TSP问题进行了仿真计算,并将其计算过程与标准遗传算法进行了对比,结果表明该算法能有效地改善遗传算法的不成熟收敛缺陷,使收敛的速度有较大的提高。     

一种新的自适应免疫进化算法

根据生物免疫系统的免疫网络调节机理，提出了一种新的自适应免疫进化算法．该算法按照抗体激励水平进行选择操作；同时建立优秀抗体记忆库，并采用种群自适应调节策略，保持了进化抗体群的多样性．试验表明，该算法比标准遗传算法的收敛性能好，能有效避免遗传算法种群多样性保持能力不足和早收敛的缺点．     

一种基于免疫原理求解TSP问题的模型

基于人工免疫原理,建立了一个基于免疫机制求解TSP问题的数学模型。在该模型中,定义了TSP问题中的抗原和抗体,描述了记忆细胞动态进化过程,并借鉴遗传算法中基因变异思想,提出了优势基因进化的GFE算法,结合生物免疫系统抗体浓度稳定原理,在克隆选择过程中实现了抗体集合的进化计算,快速有效地求解出问题的全局近似最优解。实验结果表明该算法对解决组合优化问题不仅可行,而且有较快的收敛速度和较强的全局搜索能力。     

基于动态疫苗提取的免疫遗传算法求解TSP问题

针对免疫系统能通过注射疫苗来达到快速识别抗原的特性,对免疫遗传算法进行改进.根据抗体的优劣来从中提取不同长度的疫苗,并在此基础上提出一种基于动态疫苗提取的免疫遗传算法(IGAB),将其用于TSP问题的求解中,实验结果表明,IGAB能够抑制遗传算法在迭代过程中出现的退化现象,提高算法的收敛速度.     

基于克隆选择原理的自适应遗传算法研究

文章针对遗传算法中存在着收敛方向无法控制和没有记忆能力等缺陷,提出了使遗传算法具有免疫功能的克隆遗传算法.该算法把目标函数和制约条件作为抗原,保证所生成的抗体与问题直接相关联,使收敛方向得以控制;对抗原亲和力高的抗体进行克隆记忆,促使优良个体的发育成熟并能有效地遗传到下一代;同时,基于浓度的概念提出对抗体数量进行抑制,确保群体更新的多样性,避免早熟.通过理论分析和实验研究,证明该算法具有快的收敛速度和搜索能力,是一种有效的生物计算方法.     

基于信息熵的免疫遗传算法聚类分析

介绍了基于信息熵的免疫遗传算法的聚类分析方法。将免疫算法引入到遗传算法中,利用免疫算法的免疫记忆、自我调节和多样性保持功能弥补了标准遗传算法的局部搜索能力差、计算量大和早熟收敛等问题。采用DNA进行抗体编码,利用信息熵来表示抗体间亲和度及浓度,并采用聚合亲和度,实现了抗体群的自我调节和多样性保持策略。实验表明,该算法优于标准遗传算法。     

一种集成免疫进化算法及其收敛性研究

文章首先总结了传统进化计算和标准遗传算法的缺陷,介绍了免疫系统的多种处理机制,提出了其对于进化计算的可借鉴意义,并分析了现有的免疫遗传算法。然后集成免疫记忆和免疫调节理论提出了一种新的免疫进化算法I-IEA,给出了算法描述及其运算机理,并利用马尔柯夫链证明了其收敛性和收敛速度。最后结合NFL定理,展望了免疫算法的适用性和发展潜力。     

基于克隆选择原理的自适应免疫性遗传算法研究

针对遗传算法中存在着收敛方向无法控制和没有记忆能力等缺陷,提出了具有免疫功能的克隆遗传算法.该算法把目标函数和制约条件作为抗原,保证所生成的抗体与问题直接相关联,使收敛方向得以控制;对抗原亲和力高的抗体进行克隆记忆,促使优良个体的发育成熟并能有效地遗传到下一代;同时,基于浓度的概念提出对抗体数量进行抑制,确保群体更新的多样性,避免早熟.通过理论分析和实验研究,证明该算法具有快的收敛速度和搜索能力,是一种有效的生物计算方法.     

一种新的免疫遗传算法及其应用

为了克服基本遗传算法存在的缺点和不足,将免疫系统中抗体多样性的维持机制引入遗传算法,同时兼顾个体多样性和提高种群中个体适应度的水平,提出了基于相似性矢量距为选择概率的免疫遗传算法,并给出了此类概率选择的一般表示形式.为了防止基于相似性矢量距为选择概率的免疫遗传算法在优化过程中出现退化现象,通过在算法中引入免疫疫苗的方式,对该算法进一步加以改进.从每一代保优抗体中提取有效信息,进而得到一种新的疫苗提取方法.基于所提出的改进免疫遗传算法,提出了改进的编码方案.对20个城市的TSP问题进行研究,通过不同参数的比较,得出了算法中相关参数的取值范围.比较了6种算法的收敛速度,进一步证实了所提出算法具有良好的收敛性.     

人工免疫算法及其应用研究

为了有效地解决病态的约束优化问题,提出了一种模拟生物免疫系统自我调节功能的人工免疫算法,介绍了算法的基本步骤,构造了几种人工免疫算子,分析了算法的收敛性.人工免疫算法继承了遗传算法“优胜劣汰”的自我淘汰机制,但新抗体的产生方法比遗传算法中新个体的产生方法灵活得多.在进行抗体选择时若能确保当时的最优抗体可以进入下一代抗体群,则人工免疫算法是全局收敛的.100个城市TSP问题的仿真实例显示人工免疫算法比遗传算法具有更强的全局搜索能力和收敛速度.     

改进的自适应免疫遗传算法在图像增强中的应用

针对传统图像增强方法中图像细节丢失、图像对比度不明显以及方法普适性差等缺点,提出了一种自适应免疫遗传算法用于图像增强。该算法与传统遗传算法的不同在于引入免疫算子抑制优化过程中出现的退化现象,根据个体适应度自适应调整遗传算子的概率值和基因变异位数,从而增强了种群多样性,提高了算法快速性和全局收敛性。实验结果表明：基于该算法的图像增强具有图像细节清楚、对比度强、方法普适性强等优点。     

基于退火免疫遗传算法的测试用例生成研究

在软件测试技术中,高效的测试用例生成是简化测试工作、提高测试效率的必要手段.提出了一种应用于软件测试中的基于退火免疫遗传算法(AIGA)的测试用例自动生成算法,介绍了AIGA测试用例生成模型和AIGA算法的基本思想.算法融合了模拟退火算法和免疫算法在避免陷入局部最优和保持种群多样性方面的优势,克服遗传算法局部搜索能力差及其早熟现象和模拟退火算法全局搜索能力差、效率不高的问题.实验结果表明,算法在测试用例自动生成的效率和效果方面.优于传统遗传算法.     

基于自适应免疫遗传算法的边缘检测

为了使检测的图象边缘结构定位好 ,并且产生连续的精细边缘 ,同时能滤除边缘图象中的噪声干扰 ,基于费用函数最小化方法 ,提出了一种自适应免疫遗传算法用于图象的边缘检测 .为了保持群体中个体的多样性 ,同时加快算法的收敛速度 ,该算法中交叉、变异和免疫算子采用了自适应变化而非固定的概率 ,同时免疫算子采用了几何形式的退火选择方案 .由于该算法能够有效地利用局部边缘结构的一些先验知识和特征信息制作成免疫疫苗 ,其局部搜索能力较经典的遗传算法有很大的提高 .该方法用于灰度图象时产生了令人满意的检测效果 ,并对噪声有较好的抑制作用     

基于Elitism策略的改进免疫遗传算法求解TSP问题

TSP问题是一类典型的NP完全问题。作者结合Elitism策略提出了一种新的改进免疫遗传算法。该算法既保留了遗传算法的全局随机搜索的优点,又避免了免疫遗传算法的早熟、收敛速度慢等缺点。经仿真实验对比,在求解TSP问题时,该文提出的新算法具有收敛速度快及动态收敛性好的优点。     

一种新的求解最小权三角划分的免疫算法

提出了一种基于自适应免疫遗传算法的求解最小权三角划分(MWT)问题的方案,通过自适应地调整疫苗库的进化和有选择地注射疫苗,提高了新算法的收敛速度和全局搜索能力,结合具体的MWT问题,给出了疫苗更新与注射算子构造的具体方案。仿真实验表明,新算法能产生比免疫算法更好的划分效果,尤其适合大规模点集,有较大的实用价值。     

免疫遗传算法的研究及其在函数优化中的应用

本文提出的免疫遗传算法引入了免疫记忆环节和抗体浓度调节环节,它能很好的保证抗体的多样性,避免陷入局部极小和出现早熟收敛现象。通过对多峰值函数优化的研究,结果表明,本文所提出的算法具有较好的优化效果。     

An adaptive annealing genetic algorithm for the job-shop planning and scheduling problem

The genetic algorithm, the simulated annealing algorithm and the optimum individual protecting algorithm are based on the order of nature, and there exist some application limitations on global astringency, population precocity and convergence rapidity. An adaptive annealing genetic algorithm is proposed to deal with the job-shop planning and scheduling problem for the single-piece, small-batch, custom production mode. In the AAGA, the adaptive mutation probability is included to improve upon the convergence rapidity of the genetic algorithm, and to avoid local optimization, the Boltzmann probability selection mechanism from the simulated annealing algorithm, which solves the population precocity and the local convergence problems, is applied to select the crossover parents. Finally, the AAGA-based job-shop planning and scheduling problem is discussed, and the computing results of AAGA and GA are depicted and compared.     

基于免疫-蚁群算法的TSP问题研究

针对蚁群算法加速收敛和早熟停滞现象的矛盾,借鉴免疫系统的自我调节机制来保持种群的多样性的能力,提出免疫-蚁群算法。该算法根据解的微观多样性、宏观多样性和弧的浓度指标动态调整路径选择概率和信息量更新策略。以数种对称和不对称TSP问题为例进行仿真实验。结果表明,该算法比一般蚁群算法具有更好的局部求精能力、收敛性和多样性,更适合于求解大规模的TSP问题。