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。     

基于定向变异策略的改进克隆选择算法

本文针对克隆选择算法(CSA)存在的问题, 如搜索速度慢、收敛精度低、容易陷入局部最优, 提出一种基于定向变异的改进克隆选择算法(DMSCSA). 该算法引入Halton序列来生成均匀分布的初始化种群, 实现对解空间更高效的搜索; 采用黄金正弦变异策略在迭代过程中对优秀抗体定向变异, 提升算法收敛速度; 引入柯西变异策略, 能够在保证种群多样性的前提下提高算法跳出局部最优的能力. 使用CEC2019测试函数集中的8个不同的测试函数并与其他同类型算法进行对比实验, 通过实验结果可知, DMSCSA算法在寻优精度、收敛速度等方面均有提升.     

自适应混合变异的蛙跳算法

蛙跳算法是一种受自然界生物现象启发产生的群体进化算法,计算速度快,寻优能力强,但局部搜索能力较弱,容易陷入早熟收敛。针对其缺点,结合高斯变异和柯西变异的优点,提出了一种改进的混合蛙跳算法。改进后的算法收敛速度加快,在一定程度上避免陷入局部最优,提高了蛙跳算法解决复杂函数问题的能力。实验验证了其有效性。     

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．     

混合变异克隆选择多目标优化算法

研究多目标优化问题,针对提高算法的快速性,提出一种混合变异克隆选择多目标优化算法.进化在三个抗体群中进行,不同的抗体群采用不同的变异算子,并通过外部记忆抗体群的更新,来保留进化的最优抗体,避免算法进化后期出现退化现象.算法采用的三种变异算子:高频大尺度高斯变异算子带有振荡性质,能够对Pareto最优解区域进行勘探,单基因小尺度衰减的高斯变异算子能够使优化结果逼近Pareto最优解,均匀变异算子使算法具有局部逃逸能力,能够保证解的多样性.将算法和经典的NSGA -Ⅱ、ε- MOEA算法以及单一变异的多目标克隆选择算法(MCSA)进行性能比较,结果证明新算法具有较好的快速搜索性能和鲁棒性.     

动态克隆选择算法在入侵检测应用中的研究

内嵌阴性选择算子的克隆选择算法（N-AIS）只能作为误用检测器,检测给定静态环境下的入侵行为,而不能自适应动态变化的网络环境.本文引入一种动态克隆选择算法DynamiCS对N-AIS进行扩展,并在人工生成的IDS环境中对影响DynamiCS性能的三个重要参数：耐受期、激活阈值和生命期进行了测试和分析.结果表明,它能够更好地处理和应用于入侵检测系统自身行为不断变化及每次仅提呈部分自身抗原的环境.     

基于Hénon映射的自适应克隆选择优化算法

免疫算法与遗传算法都存在的不成熟收敛问题。混沌优化方法是近年出现一种新的优化技术,通常使用Logistic或Tent映射产生混沌序列进行搜索,Logistic映射产生的混沌序列的概率密度函数切比雪夫型分布,当最优值落在[0,1]的中间位置时,这种分布特性会影响全局搜索能力和效率。而Tent映射也存在迭代易落入小周期循环的问题。针对免疫算法和混沌优化算法中存在的缺陷,该文用变尺度的搜索策略,提出了一种基于Hénon映射的自适应克隆选择的优化算法,数值仿真结果表明,该文提出的算法提高了局部搜索的能力及其计算效率,算法可行有效。     

基于变异的检测器生成算法研究

为提高基于免疫的网络入侵检测系统中检测器的生成效率,减小计算量.对Forrest的否定选择算法(NSA)进行改进,提出候选检测器集的生成不再采用随机方式,而通过对两个数据集(一是已有的合格检测器集,二是自我数据集)进行变异来产生,即利用部分已有的检测结果反馈生成成熟检测器.改进算法提高了候选检测器成为成熟检测器的比率,实验结果表明了算法的有效性.     

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.     

用于入侵检测的动态克隆选择算法的研究

针对目前动态克隆选择算法在入侵检测应用中存在较高的误检率的缺陷,提出了一种改进动态克隆选择算法。文章对改进算法进行了描述,建立了一种基于该改进动态克隆选择算法的入侵检测系统（IDS）模型,并进行了仿真实验。仿真实验表明,改进后的算法在降低误报率的情况下,提高了正确检测率。     

基于改进动态克隆算法的入侵检测研究

针对动态克隆选择算法在入侵检测应用中存在的高误检率,提出了一种改进动态克隆选择算法。对改进算法进行了描述,建立了一种基于人工免疫的入侵检测模型,并进行了仿真验证。仿真结果表明,改进后的算法取得了低的误检率。     

免疫入侵检测多目标优化克隆选择算法研究

免疫入侵检测理论中克隆选择是检测器进化的关键。传统克隆选择算法通过比较样本间的亲和力累加值筛选样本,该方法具有较低的时间复杂度,但也造成了检测器的高重叠,影响迭代效率。将检测器个体的筛选与进化转化为pareto最优解的求解过程,提出了多目标优化理论的检测器克隆选择算法。实验表明,检测器基数不变的情况下,该算法明显提升了每代种群在进化过程中的检测范围,精简了记忆检测器的数量,提高了检测阶段系统的检测率。     

快速收敛的克隆选择算法

针对克隆选择算法抗体群多样性有限和容易早熟等问题,提出了快速收敛的克隆选择算法.引入新型克隆算子,维持了抗体间促进与抑制的平衡;为了跳出局部最优,结合云模型的特征,给出了云自适应变异算子,与抗体重组算子合作,有效地增加了抗体的多样性,进而增强了算法的全局和局部搜索能力.对标准测试函数进行了仿真实验,并与其它算法进行了比较,比较结果表明,该算法寻优精度高、鲁棒性好、收敛速度快、时间复杂度不高.     

改进克隆选择算法的收敛性分析

为了完善克隆选择算法(CSA),使算法理论上成熟,利用两个随机收敛性度量:完全收敛和均值收敛, 证明基于多类数据分类的改进克隆选择算法(Multi_CSA)满足收敛到全局最优解的充分条件,并以实验数据进行验证。从理论上证明了Multi_CSA满足收敛的充分条件,实验方面也表明该算法在经过一定的代数后会收敛。理论和实验上均表明:Multi_CSA是一个能在有限代内收敛的较为成熟算法。     

基于克隆选择算法的MANET簇化

以权值簇化算法——WCA为基础,利用人工免疫系统中的克隆选择算法来提高移动Ad-hoc网络的簇化性能,从而实现用尽可能少的全局优化簇头来管理尽可能多的簇成员,以保证MANET拓扑结构的相对稳定和合理。仿真结果表明,利用克隆选择算法优化后的WCA在簇的数量等许多方面均优于WCA算法。     

基于免疫克隆选择算法的固定费用运输问题优化

固定费用运输问题（fcTP）是物流运输中的高级问题,属于NP难题,较难得到最优解。针对现有方法存在的不足,提出了基于免疫克隆选择的fcTP求解算法。在该算法中,抗体采用矩阵形式编码,初始抗体群随机产生,通过迭代进行克隆选择、克隆抑制、基因变异等操作,对潜在解空间进行寻优搜索。实验结果表明,对于fcTP的优化,免疫克隆选择算法能够快速收敛于全局最优解,克服了遗传算法收敛速度慢和容易陷入局部最优的缺点。     

基于免疫克隆选择算法的马斯京根模型参数估计

针对马斯京根河道洪水演算模型参数估计中所存在的线性化、求解复杂、精度差等问题,提出了一种基于免疫克隆选择算法（ICSA）的马斯京根模型参数估计新方法。实验和应用结果表明,基于免疫克隆选择的马斯京根模型参数估计算法具有求解速度快,计算精度高,算法控制参数设置简便、通用性强等特点,与现有的马斯京根模型参数估计方法相比,该算法显示出更好的优化性能,能够很好地解决马斯京根模型的参数最优估计问题,从而为马斯京根模型参数的估计提供了一种新的更为有效的方法。该算法也可广泛应用于其他洪水预报模型的优化问题。     

基于多类数据分类的改进克隆选择算法

针对传统的克隆选择算法(CSA)只依次单独针对某一类样本数据进行监督学习从而造成分类效率和精确度不高的问题,提出一种基于改进克隆选择算法的多类监督分类算法。算法通过进化学习可以同时获得多类样本数据的最佳聚类中心,进化过程中抗体适度值的计算综合考虑各类的类内相似性和类间差异性,从而保证得到的最佳聚类中心更具代表性。后续的分类实验中,分别利用常用的4组UCI数据和红树林多光谱TM遥感图像对算法进行验证,实验结果表明遥感图像的分类总精度达到92%,Kappa系数为0.91,UCI数据分类结果也较好,证明该算法是一种有效的多类数据分类算法。     

一种基于记忆克隆选择的多目标免疫算法

借鉴生物免疫原理中克隆选择机理,设计了一种基于记忆克隆选择的多目标免疫算法。该算法构建了一种亲和度的快速计算方法,并在抗体种群全局搜索Pareto解的同时,也在记忆单元进行局部搜索,有效地提高了搜索效率和收敛性。选取了六种典型的多目标优化函数进行算法仿真测试研究,并与经典的多目标进化算法NSGA-II进行了比较。仿真研究结果证明了新算法在保证种群分布度的同时,拥有比NSGA-II更好的收敛性和速度。