免疫克隆算法调节参数的非线性控制器设计

以模糊神经网络( FNN)为基础,结合误差线性反馈构造了一种新型的非线性控制器. 非线性控制器的设计难点在于参数的确定问题,用传统的算法对控制器参数寻优时容易陷入局部收敛,难于取得可靠的参数,因此提出一种改进的免疫克隆选择算法,用于确定非线性控制器的最优参数. 倒立摆的仿真实验表明改进的免疫克隆算法在控制器参数寻优中取得良好的效果,所设计的控制器具有很强的非线性适应能力.     

基于免疫克隆算法的非均匀星座优化

针对在使用均匀调制星座时比特交织编码调制容量与香农容量差距较大的问题,提出使用免疫克隆算法进行非均匀星座优化。该算法分为两层迭代:外层迭代通过仿真误比特率性能得到当前星座的工作点(信噪比);内层迭代在外层迭代得到的工作点下通过克隆、变异、替换等操作得到新的星座。仿真结果表明,与均匀星座以及美国高级电视系统委员会发布的第三版地面数字电视标准中所采用的非均匀星座相比,该算法优化的星座可有效提升系统容量及误比特率性能。因此,提出的算法适合用于非均匀星座优化。     

主从式免疫克隆选择算法求解任务分配问题

基于生物免疫系统的克隆选择机理,提出一种求解任务分配问题(task assignment problem,TAP)的主从式免疫克隆选择算法(MSICSA).该算法采用一种多种群策略,通过迁入和辽出操作,更新种群之间的信息,保持了群体的多样性.实验结果表明,该算法可有效改善基本免疫克隆选择算法解决大规模优化问题上的不足,具有很好的收敛性和稳定性,能有效解决任务分配问题.     

一种免疫克隆选择检测器优化算法

提出一个免疫克隆选择检测器优化算法,通过对原检测器中个体的抗体克隆、变异和克隆选择操作,实现对检测器分布状况的优化.仿真结果表明,该算法具有较快的收敛速度和较好的稳定性,优化效果也令人满意.     

基于均匀设计的差分进化算法的参数设定

差分进化算法参数的设定多采用经验选取方式,其缺点是试验运行量大以及难以得到最优参数组合,从而在很大程度上影响了算法的寻优能力。将均匀设计的试验方法引入差分进化算法的参数设定中,通过对单峰函数、多峰函数和病态函数等3种不同类型的标准测试函数进行均匀设计试验,找出适合不同类型标准测试函数的最优参数组合,从而达到对差分进化算法的参数进行设定的目的。结果显示,将经过均匀设计试验得到的两组最优的参数组合用于差分进化算法时,所获得的平均全局最优解为4.3215,平均标准差为3.650。可见,利用均匀试验设计方法对基本差分进化算法的参数进行设定是可行且有效的,同时具有较好的稳定性。     

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。     

基于免疫克隆算法的倒立摆控制参数优化

基于免疫克隆选择原理,针对单级倒立摆PID控制数学模型,设计了一种新的PID参数优化算法——免疫克隆算法。选用简单遗传算法、克隆选择算法与其进行比较研究,通过MATLAB仿真实验,观察该算法搜索结果稳定性好,算法收敛性强。通过Simulink仿真实验,进一步研究3种算法最优目标函数下的PID控制参数的实际控制效果,采用免疫克隆算法优化的控制参数,系统控制响应可以获得良好的实时性、稳定性、控制精度,效果优于其它2种算法。     

均匀设计在粒子群算法参数设定中的应用

针对依靠经验和试验来确定粒子群优化算法中的参数设定方法存在试验工作量大且难以得到最优的参数组合的问题,提出了一种改进的粒子群算法,该算法利用均匀设计的思想设定算法的最优组合参数,把参数设定问题描述为均匀试验设计中多因素多水平优化设计问题,从而能够以较少试验很快设定算法参数的取值,以使算法获得最优性能。仿真试验表明,利用均匀设计得到的参数组合可使粒子群算法获得稳健和高效的优化效果,说明了该方法的可行性和有效性,且可以推广到其他算法参数的设定。     

基于克隆选择原理的免疫算法

提出了一种基于克隆选择原理的人工免疫算法(AIA),该算法中引入了克隆选择、克隆删除、受体编辑、体细胞高频变异等思想,并将其应用到广义最小生成树(GMST)的求解当中,仿真结果证明提出的免疫算法能迅速收敛到全局最优解,显著提高了全局收敛可靠性和全局收敛速度。     

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。     

基于正交试验设计的克隆选择函数优化

将正交试验设计引入到克隆选择操作中,设计出基于正交试验的克隆选择操作(clonal selection operation based on orthogonal experiment design,简称CSO-OED),并将其加入到典型的克隆选择算法中,设计出并联式的 CSO+CSO-OED(I)算法和串联式的CSO+CSO-OED(II)算法.将新设计的算法用于9 个经典的测试函数和6 个复杂 的测试函数进行对比测试,实验结果表明,CSO-OED 能够有效地保持种群的多样性,避免算法不成熟收 敛.CSO+CSO-OED(I)和CSO+CSO-OED(II)将全局搜索和局部搜索分开进行优化,对比实验表明,这种搜索策略不 但能够保证算法的收敛性,还能有效地提高搜索解的精度,增强算法的鲁棒性.     

一种免疫克隆特征选择算法在文本分类中的应用

如何选择最能够表达文本主题的特征词,从而减少特征空间维数,是文本分类的一个关键问题。针对此问题本文提出了一种基于向量空间模型(VSM)的免疫克隆特征选择算法。实验表明,该方法能有效提高文本分类正确率,比文档频率方法和遗传算法具有更明显的优势。     

基于正交试验设计的克隆选择函数优化

将正交试验设计引入到克隆选择操作中,设计出基于正交试验的克隆选择操作(clonal selection operation based on orthogonal experiment design,简称CSO-OED),并将其加入到典型的克隆选择算法中,设计出并联式的CSO+CSO-OED(I)算法和串联式的CSO+CSO-OED(II)算法.将新设计的算法用于9个经典的测试函数和6个复杂的测试函数进行对比测试,实验结果表明,CSO-OED能够有效地保持种群的多样性,避免算法不成熟收敛.CSO+CSO-OED(I)和CSO+CSO-OED(II)将全局搜索和局部搜索分开进行优化,对比实验表明,这种搜索策略不但能够保证算法的收敛性,还能有效地提高搜索解的精度,增强算法的鲁棒性.     

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.     

基于人工免疫原理的NIDS系统和有关算法设计

给出一种基于人工免疫原理的网络入侵检测系统(NIDS)模型．它以频繁序列模式为基础建立自体模式集和异己模式集，随后给出了一种有效的模式编码算法．在这种编码基础上文章提出一种用于检测器生成的集否定选择和克隆选择为一体的算法．最后给出算法复杂性分析。     

基于信息素模因的免疫克隆选择函数优化

学习进化经验并用于指导进化对人工免疫算法这样的随机搜索类算法十分重要,Memetic算法在进化算子中引入局部搜索,算法的学习机制决定哪种局部搜索机制适合目标问题,然而,这类算法需要使用者事先提供问题相关的局部搜索策略,为了克服Memetic算法的这一缺点,针对函数优化问题提出了一种基于蚁群信息素的无指导的学习机制,并在此基础之上构造了基于信息素模因的克隆选择算法,算法无需提供候选的局部搜索策略(即模因),学习的内容是抗体的进化趋势,而并非要确定合适的局部搜索策略.实验结果表明,信息素模因学习机制借助信息素浓度的收敛学习到了关于目标函数的有用信息,有效提高了克隆选择算法的搜索效率.     

Web搜索中基于免疫克隆算法的信息检索方法

随着万维网上信息的爆炸性增长,导致需要大量有效的信息检索方法。本文对传统的向量空间模型进行了优化,并提出一种基于克隆选择算法的Web搜索方法。通过对查询结果的精确率和混合检索率进行比较,表明该算法能有效提高Web搜索引擎的质量和运行效率。     

一种基于克隆选择的动态聚类算法

本文在克隆选择免疫算法和层次聚类的基础上,提出一种动态聚类算法。该算法无需先验知识,首先初始化与抗原相同规模的抗体,然后根据亲和力进行抗原识别、抗体抑制和合并,完成一轮聚类;再利用aiNET免疫网络模型动态确定聚类后的抗体的变异方向,实施强目的性变异,变异率反比例于进化代数动态调节,使变异后相似的抗体进一步合并,如此反复直到满足终止条件。仿真的实验结果表明,该算法比传统的聚类方法具有更好的聚类结果和更高的性能。