一类自适应免疫进化算法

基于免疫系统中的进化机理，提出一种自适应免疫进化算法，通过定义扩展半径和突交半径两个新算法参数构造了较小和较大两个邻域，分别利用这两个邻域进行局部和全局搜索，从而形成两层领域搜索机制，以保证算法的全局和局部搜索能力，定义了群体的多样度，并以此自适应调节算法参数以提高算法性能，给出了算法的全局收敛性证明，仿真结果表明，该算法收敛速度快，具有良好的全局寻优和局部求精能力。     

用网格实现交叉操作的遗传算法

遗传算法可以看成是在某个空间求最大值的搜索技术。本文从理论上分析了在搜索技术中,用格点法比胡机法好,并用格点理论（佳点是格点的一种）设计了遗传交叉算子。模拟结果显示,与传统的胡机法实现交叉操作的遗传算法相比,本文算法不仅在效率、精度上有所提高,而且克服了“早熟”现象。     

基于免疫遗传算法的敏捷供应链伙伴选择

伙伴选择是在组建敏捷供应链过程中的关键问题,主要研究如何在众多候选企业中选择合作伙伴组成最优敏捷供应链。论文引入免疫遗传来解决这一问题,提出了一种基于免疫遗传的敏捷供应链伙伴选择算法,其免疫机制较好地避免了算法的“早熟”,改善了算法的全局搜索性能,提高了收敛速度。最后以一个典型算例说明了该算法的有效性。     

基于免疫记忆的蚁群算法

充分利用前期迭代中解的信息是构造高效蚁群算法实现的关键之一.文中把免疫记忆和克隆选择的思想引入蚁群算法,提出了基于免疫记忆的蚁群算法(IMBACA).算法通过在原有蚁群模型上增加一个免疫记忆库,将记忆库中的解对应为免疫记忆细胞(及其产生的抗体),将问题对应为抗原,并借鉴克隆选择和免疫记忆的思想进行解的构造和信息素更新.算法从解的质量和时间方面与传统蚁群算法进行了比较,实验结果表明,所提出的IMBACA算法可明显提高传统蚁群算法的性能,同时也为解决其他组合优化问题提出了一个新的思路.     

一种用于优化计算的自适应免疫算法

基于生物免疫系统中的学习机理,提出了一种新的优化算法———自适应免疫算法。算法包括选择、扩展和突变操作,扩展和突变操作分别在解空间中局部和全局范围内搜索最优解。定义了选择比例、扩展半径和突变半径三个新的算法参数,并提出了根据群体的多样度自适应调节算法参数的方法,以提高算法的全局寻优性能。对TSP问题的仿真验证了该算法的有效性。     

遗传算法TSP问题的实现及免疫优化

本文介绍了遗传算法的基本知识，并利用遗传算法解决TSP（旅行商）问题，在此基础上，用免疫遗传算法进行优化对比。     

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。     

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。     

基于免疫记忆人工鱼群算法的局部放电超声定位方法

针对人工鱼群算法(AFSA)在局部放电超声定位中存在定位精度较低,容易陷入局部最优解的问题,在AFSA中引入免疫调节机制和免疫记忆特性,提出一种基于免疫记忆AFSA的局部放电超声定位方法,并将其定位效果与基本AFSA、遗传算法(GA)和免疫算法进行对比.算例仿真表明:免疫记忆人工鱼群算法的定位精度更高、综合误差最小、收敛速度更快,定位效果都优于其它三种智能算法.     

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—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。     

一种新的免疫算法

由于免疫系统在特征抽取、模式识别、学习、记忆等方面强大的信息处理功能以及其自身的分布式特性,所以免疫算法出现,并逐渐应用于许多工程实际。然而,现有的免疫算法模型存在不少缺陷,缺乏有效的收敛特性。问题主要出在抗体的评价、促进和抑制以及记忆库的使用上。该文提出了基于动态评价的免疫算法,在算法中引入临时解集,对抗体进行多次、动态的评价、促进和抑制,这大大提高了算法的收敛速度,并有效防止算法陷入局部最优。另外,记忆库自始至终一直被利用,有利于算法快速收敛。最后,用马尔可夫链描述了该算法,并证明了算法的收敛性。     

自适应分层免疫算法

免疫算法是一种新型的导向性随机启发式搜索算法,文章在简单介绍免疫算法基本原理及操作步骤的基础上,针对几个关键参数和操作算子对算法性能的影响进行探讨。提出根据具体的问题,结合各种形式免疫算法,建立一个自适应分层免疫算法。实验表明:自适应分层免疫算法能结合各底层免疫算法的优点,具有收敛速度快、寻解能力强等优点。     

免疫算法的改进

免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法。尽管免疫系统本身具有许多优良的计算特性,但已有的免疫算法模型却存在着不少缺陷,在已有的免疫算法的基础上,进行合理的改进,在保证群体的多样性性能的同时,加入了促使群体快速持续收敛的操作,并通过实验表明了改进算法具有更好的性能。     

计算机免疫系统的实现和分析

生物免疫系统保护生物体不受外来有害细胞的侵袭，其作用与计算机的安全系统有着惊人的相似。文章在此基础上进一步介绍了利用生物免疫原理和体系结构构造一个计算机免疫系统的方法，并且对该系统进行了必要的数学分析。     

免疫排课算法

为了排课的高效性，提出了利用免疫算法求解排课问题。该算法根据生物免疫系统机理设计，将排课的目标和约束条件作为抗原，将问题的解作为抗体，对抗体采用二进制编码，对新抗体的繁殖是通过部分交叉和变异算子实现，对抗体产生的刺激和抑制通过抗体浓度调节，而抗体浓度通过计算抗体之间的最大亲和力获得。时排课问题的测试表明，适当调整繁殖参数，能快速获得最优解或近似最优解，更可喜的是排课结果较为均匀。     

一种新的混合免疫算法

免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法。文章针对目前人工免疫算法在收敛于全局最优方面存在的缺陷,提出了一种模拟退火免疫算法,引入Boltzmann退火选择算子,利用模拟退火算法可选择性接受恶化解的特点克服传统免疫算法的缺陷,并通过实验证明了该混合免疫算法的优越性能。     

免疫进化否定选择算法

当训练样本分布密集交错时,传统的否定选择算法难以将检测器生成在正/反样本间的有效区域,导致检测器集合对这些样本的识别率降低,影响了算法性能。为使检测器能有效地识别分布密集交错的样本,本文提出了免疫进化否定选择算法（IENSA）。IENSA通过加入两个免疫进化过程,首先在样本分布密集的区域引导检测器在正/反样本之间有效地生成,然后在样本分布稀疏的区域对冗余检测器进行抑制。实验结果表明在二维人工数据集Rectangle与三维标准数据集Skin Segmentation上,相对于经典的RNSA与V-Detector算法,IENSA均能以较少的检测器而达到较高的检测率。     

免疫组播路由选择算法

研究了带宽延时受限、费用最小的QoS组播路由问题，并提出了一种解决该问题的免疫算法．免疫算法的核心在于免疫算子的构造，而它又是通过接种疫苗和免疫选择两个步骤来完成的．根据QoS组播路由问题，给出了免疫疫苗选取与免疫算子构造的具体方法．将免疫算法应用于组播路由选择，是通过在基于遗传算法的组播路由选择的基础上引入免疫算子来实现的．该算法采用的进化算子简便、高效．仿真实验表明，该算法不仅有效可行，而且较好地解决了标准遗传算法中出现的退化现象，提高了收效速度和搜索能力．     

一种免疫微粒群优化算法

引入克隆选择操作和借鉴免疫学习中较好的多样性来克服微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点，构建了一种免疫微粒群算法。将该算法应用于4个常见的测试函数，实验结果表明，该算法比标准微粒群算法有更好的收敛性和更快的收敛速度。     

一种改进的人工免疫算法

简要介绍了遗传算法、人工免疫算法的工作原理。为了克服传统人工免疫算法存在的不足,该文提出一种改进的人工免疫算法,并利用Rosenbrock函数对3种算法进行了试验比较。实验结果表明,该文提出的改进的人工免疫算法较遗传算法、传统的人工免疫算法更为有效。