免疫遗传蚁群融合算法

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中,利用免疫算法的局部优化能力和遗传算法的全局搜索能力,来提高蚁群系统的收敛速度。该算法通过遗传算法的选择、交叉、变异操作和免疫算法的自适应疫苗接种操作,有效地解决了蚁群系统的易陷入局部最优和易退化的缺点。通过对旅行商问题的仿真实验表明该算法具有非常好的收敛速度和全局最优解的搜索能力。     

基于自适应免疫算法的最优路径问题研究

针对标准遗传算法在解决路径规划问题中存在的不能以概率1收敛及进化时出现退化等情况,提出并实现了一种自适应免疫算法,提出了一种新的编解码方式,给出了相关的免疫克隆、免疫优势等免疫算子的具体设计.进化过程中克隆规模可依据抗体一抗原亲合度、抗体一抗体亲合力自适应调整,采取了最优保存策略从而保证了算法以概率1收敛.实例验证了该算法的可行性,有效性.与标准遗传算法相比,增强了全局收敛,提高了收敛速度,通过仿真验证,该算法运算速度缺、结後果精度高,为路径规划问题研究提供了一种新方法.     

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。     

基于疫苗接种的免疫算法

用一种基于疫苗接种的免疫算法对货担郎问题求解,该算法在保留了基本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、接种疫苗、免疫选择等机制,对算法的收敛方向加以控制,从而促进算法的快速求解.实验结果证明,基于疫苗接种的免疫算法能效改善遗传算法的不成熟收敛等缺陷,提高了全局搜索效率,在货担郎问题求解中取得满意结果.     

云环境下基于免疫遗传算法的任务调度问题研究

任务调度策略作为云计算系统中的关键性技术,是学术界的研究热点之一。在云计算环境下,以所有任务总的完成时间最短为目标,提出了一种求解该问题的结合遗传算法和人工免疫算法的混合算法。该算法中交叉概率使用自适应调整策略,变异算子使用逆转变异方法,变异操作的结果通过模拟退火算法的Metropolis接受准则来判断接受与否,最后对遗传算法的种群进行免疫接种。免疫遗传算法弥补了遗传算法收敛速度慢的缺陷,保持了种群的多样性,缩短了任务总的完成时间,提高了云计算系统的工作效率。通过在云仿真平台CloudSim模拟实验,结果表明该免疫遗传算法的求解性能优于标准遗传算法和DPSO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。     

最优路径问题的自适应伪并行免疫算法

针对标准遗传算法在解决路径规划问题中存在的不能以概率1收敛及进化时出现退化等情况,提出并实现了一种自适应伪并行免疫算法。利用多个子种群同时进化及小生境技术,给出了一种小生境伪并行协同进化策略。提出了一种新的编解码方式,给出了相关的免疫克隆、免疫优势等免疫算子的具体设计。进化过程中克隆规模可依据抗体－抗原亲合度、抗体－抗体亲合力自适应调整,采取了最优保存策略从而保证了算法以概率1收敛。实例验证了该算法的可行性、有效性,与标准遗传算法相比,增强了全局收敛,提高了收敛速度,通过仿真验证,该算法运算速度快、结果精度高,为路径规划问题研究提供了一种新方法。     

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。     

基于免疫单亲遗传和模糊C均值的聚类算法

聚类算法是数据挖掘中的重要方法。为了克服FCM初始值敏感、客易陷入局部最优解以及普通遗传算法聚类时的搜索速度和聚类精度的矛盾,在分析FCM算法和基于道传聚类算法的不足基础上,提出了一种基于免疫单亲遗传和模糊C均值的混合聚类算法,先以免疫单亲遗传聚类算法初始化,找到接近全局的最优解,再用FCM算法进行求解。实验表明,它既较好地解决了局部最优问题,又可以利用FCM的优点来提高整体的收敛速度。     

基于多种群的自适应免疫进化计算

将免疫思想同思维进化计算相结合，提出一种新的基于多种群的自适应免疫进化算法（IABM），算法定义了选择、记忆、克隆、超变异、抑制5种基本算子．试验结果表明该算法具有高效的收敛速度，并能收敛到全局最优点．与多种群遗传算法和思维进化计算相比，IABM收敛速度更快，收敛率更高．     

基于遗传算法的模糊聚类在考试成绩分析中的应用

文中根据遗传算法的优点能够解决模糊C-均值聚类算法对初始化敏感的问题,因此把遗传算法与FCM结合起来,既可以发挥遗传算法的全局寻优能力又可兼顾FCM的局部搜索能力,从而提高收敛速度并更好地解决聚类问题。通过实验表明,根据文中提到的算法进行模糊聚类分析,更加客观和准确地揭示考生的知识和能力水平,分析结果体现了模糊聚类的意义和对教学的指导作用。     

基于人工免疫算法的多目标函数优化

提出了一种新型的人工免疫算法用来解决多目标函数优化问题。基于自然免疫系统固有的优良特性对算法进行了设计和分析。最后,算法对3个较复杂的多目标问题进行了优化,优化结果能很好地覆盖问题的Paret。最优面,并且把算法与某些混合遗传算法进行了对比实验,表明人工免疫算法在解决多目标优化问题上具有可观的研究前景。     

免疫遗传算法及在优化问题中的应用综述*

指出遗传算法的不足,将免疫学原理引入遗传算法,进而形成免疫遗传算法。针对免疫遗传算法在优化问题中的研究现状,从编码技术、先验知识、操作算子、混沌理论引入、多种群方式、与小生境理论结合等方面进行了总结,指出了不足之处,最后探讨了免疫遗传算法需要进一步研究的问题和发展方向。     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值（FCM）聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

入侵检测中基于遗传禁忌搜索的模糊聚类的应用

传统的模糊C均值聚类(FCM)算法须事先指出聚类数,该算法对孤立点和初始聚类敏感、易陷入局部最优,这些因素都将影响最终聚类结果的质量.针对这些缺陷,采用遗传算法和禁忌搜索的混合策略对FCM进行改进,该策略兼具了这两种算法的优势,改进后的算法自动生成最佳聚类数,优化初始聚类的选择,增强算法的爬山能力,有效改善了算法的性能.将改造前后的两种算法用于网络入侵检测实验,实验结果表明,改造后的算法产生的聚类质量明显优于原算法,用新算法对入侵检测建模,提高了模型的自适应性和实用性.     

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．     

.基于规则提取量的Web日志关联规则挖掘方法*

引入规则提取量的度量标准,提出一种基于免疫多克隆遗传策略的Web日志关联规则挖掘方法。该算法在遗传算法的基础上引入免疫多克隆算子,有效地克服了遗传算法容易陷入局部最优的缺点,具有更强的全局与局部搜索能力。实验结果表明,该算法能高效地解决Web日志关联规则挖掘问题。     

基于免疫遗传算法的负载均衡策略

针对基于遗传算法的负载均衡策略(SGALB)搜索效率不高、局部寻优性能不佳、容易产生退化的问题,提出一种基于免疫遗传算法的负载均衡策略(IGALB)。通过在SGALB基础上对种群进行亲和力和浓度计算,增加基于浓度的调节概率因子,确保种群的多样性,克服了SGALB早熟收敛;同时在一定条件下引入免疫算子,进行接种疫苗和免疫选择,有效缓解了SGALB的退化现象。仿真实验表明,该算法的寻优能力高于SGALB,并有效提高了集群系统的性能。