混沌-克隆进化算法

将混沌优化机制和免疫克隆进化算法有机结合, 用混沌浮点数编码代替克隆选择算法的二进制编 码, 利用混沌随机序列产生初始种群, 保证初始种群的多样性。对高亲和度抗体采用混沌扰动策略, 对抗体根据其 亲和度大小加以不同的混沌扰动;混沌扰动系数随进化代数而变化, 进化前期加速搜索, 进化后期加速收敛。对低 亲和度抗体采用混沌再生策略, 保持种群多样性。对5 个复杂函数的优化试验结果表明, 该算法优于混沌优化算法 和克隆选择算法。     

改进的克隆选择算法与SPEA相结合的进化算法

为了使进化过程中子代的繁殖能够像生物繁殖那样继承进化信息,通过挖掘抗体中优秀决定基并生成记忆集、增加高斯变异、用变异抗体群中亲和度高的抗体按概率替换记忆抗体群中低亲和度抗体等策略,提出了一种改进的克隆选择算法（ICSA）。将ICSA与SPEA相结合,形成了一种改进的克隆选择算法与强度Pareto进化算法相结合的新型的进化算法（ICSA-SPEA）。ICSA-SPEA通过克隆选择替代选择、交叉、重组等遗传操作。用一组多目标0/1背包问题测试算法性能的统计结果表明,改进的算法可以有效保持种群多样性,具有良好的收敛精度与准确度。     

协同进化免疫记忆克隆算法

为提高免疫克隆算法的收敛性能,基于协调勘探和开采的思想,提出一种新型协同进化免疫记忆克隆算法.将整个进化种群分为免疫克隆种群和免疫记忆种群,将免疫克隆种群又分为2个子种群,在每个免疫克隆子种群内部采用协同竞争模式,动态更新种群规模,并采用适应度共享、动态变异机制和浓度调节机制的克隆扩增以增加种群多样性;在免疫记忆种群中采用混沌精细搜索以及精英交叉机制,提高免疫记忆种群的开采能力.利用基准测试函数进行仿真并与相关方法对比分析,所提出的算法收敛效果优越,能有效地提高全局收敛性能.     

基于多量子粒子群协同进化算法的敏捷供应链伙伴选择

针对敏捷供应链组建过程中伙伴选择的特点,提出了一种基于多种群协同进化的改进量子粒子群算法．在对该算法的设计中,首先将整个量子粒子种群分解为多个子种群,然后使各个子种群进行独立的演化,并通过周期性的共享搜索信息获得对自身信息的更新,最后通过具体的算例对该算法进行了仿真验证．研究结果表明,在算法的收敛性、最优性等方面,基于多量子粒子种群协同进化算法均达到了良好的效果．     

协同进化引力磷虾觅食算法

在对当前基本磷虾觅食算法的特性进行分析和研究后,针对基本磷虾觅食算法运行速度慢、全局收敛性不强等缺点,为提高磷虾觅食算法收敛性能,引入协同进化机制和引力算法思想,提出一种协同进化引力磷虾觅食算法（co-evolutionary gravitational krill herd algorithm,CGKH）。首先,为深入挖掘种群内部个体性能,将种群分为两个子种群进行协同竞争操作,提高种群整体竞争性能,同时将协同竞争后的种群划分为开采磷虾、跟随磷虾和侦察磷虾,并依据开采、跟随和侦察3个阶段进行协同进化,以提高种群局部开采能力;其次,借鉴引力算法基本思想,将磷虾个体觅食行为中的吸引度转化为邻域个体引力,确保个体向最优个体方向寻优;最后,为避免进化停滞和陷入局部极值,采用聚群和追尾行为对磷虾个体进行随机扰动,以提高种群后期个体多样性。对算法的收敛性能和漂移特性进行了分析,同时对算法进化能力进行了分析。利用同类型算法和不同类型算法进行了仿真对比分析,充分验证了所提出算法的优良性能。     

多混沌差分进化算法及其神经元学习应用

深度学习在人工智能领域占据重要的位置,在图形处理、语音识别等方面取得了杰出的成功应用.近年来,基于树突状的单独神经元模型受到了广泛的关注,该模型成功地从机理上突破了McCulloch-Pitts(MCP)模型的一些限制.但是传统的训练树突状神经元模型的方法容易陷入局部最优,以进化计算替代传统的训练方式来训练树突状神经元...     

协同进化杂草入侵算法设计与应用

将协同进化算法与杂草入侵算法相结合,设计了协同进化杂草入侵算法（CCIWO）。选择5个函数作为基准函数进行进化计算实验,并与协同进化算法（CCGA）和竞争协同进化算法（LCGA）进行比较,结果显示CCIWO优于其它两种算法。最后在传输受限的电力市场中应用该算法搜索纳什平衡点（NE）。实验结果表明,该方法效率更高、更准确。     

一种基于协同进化的随机微粒群算法

在多种群协同进化和随机微粒群算法基础上,提出了一种改进的多种群随机微粒群算法,将各个子种群度独立的按照随机微粒群去进化,周期性的更新共享信息,共同寻求最优解。其中采用了两种不同的更新策略,并对这两种不同的方法进行详细的分析和比较。实验表明：合理调整更新周期能提高算法的收敛性。     

协同量子智能体进化算法及其性能分析

针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取三级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.     

求解约束优化问题M-精英协同进化算法

提出了一种适用于约束优化问题的协同进化算法．该算法旨在模拟人类社会中团队的组建及其协作方式,并强调精英人才对团队建设的推动作用．算法将整个种群分为精英种群和普通种群,围绕各个精英来组建团队,使精英种群带动普通种群,进而带动整个种群不断进化．组建团队过程中,不同精英之间采用协作操作,精英对普通种群成员进行引导操作,其中协作操作和引导操作由若干交叉或变异算子的组合所定义．使用静态罚函数法将约束优化转化为无约束优化,利用13个约束优化测试函数对算法进行了测试．仿真实验和参数分析结果表明,该算法寻优精度高,算法稳定,运行时间少,其性能优于组织进化算法,能够有效解决复杂的约束优化问题．     

多产品克隆选择算法在间歇过程调度中的应用

针对传统处理多产品多步骤多设备零等待的间歇过程调度方法(MMMSZ)只适用于求解小型问题的这一特点,构建了多产品克隆选择算法(MCSA).该算法从生产计划出发,生成较优的生产方案和各种全产品批次,并以全产品批次作为抗体,调用改进的克隆选择算法进行优化,其适用面宽,搜索空间大,能有效地处理约束,适用于规模不很大的问题.对于大规模问题,可基于周期调度策略,开发大规模多产品克隆选择算法(LMCSA),以克服维数灾难.将它们用于2个间歇调度示例,实验结果表明,2种算法能在合理的时间内给出较优解,综合性能良好.     

克隆选择单变量边缘分布算法

张庆彬，吴惕华，刘波针对单变量边缘分布算法（UMDA）求解复杂优化问题的局限性，将人工免疫系统引入分布估计算法（EDAs）领域，提出了一种基于克隆选择原理的单变量边缘分布算法.该算法在进化过程中的每一代执行若干次克隆选择算法（CLONALG），利用克隆选择过程中的高频变异操作提高混合算法的局部搜索能力.通过对2种不同旅行商问题（TSP）的仿真实验表明，与UMDA、CLONALG以及UMDA和2 opt局部搜索算法的混合算法(UMDA2 opt)相比，克隆选择单变量边缘分布算法具有更高的优化性能.     

改进量子交叉免疫克隆算法及其应用

根据不同交叉算子的互补特性,提出了改进量子交叉免疫克隆算法(improved quantum crossover immune cloanl algorithm, IQCICA)。交叉算子由具有深度挖掘和广度挖掘特征的两种算子组成,并通过适当的参数控制两种算子的选择。将该算法应用于著名的组合优化问题-旅行商问题(traveling salesman problems, TSP),并将计算结果与其它算法进行了对比分析。仿真结果表明,混合量子交叉免疫克隆选择算法能有效平衡全局和局部搜索能力,有着较好的收敛速度和稳定性。     

一种改进的免疫克隆选择算法

针对传统免疫克隆选择算法收敛速度较慢的问题,结合克隆概率和免疫概率的自适应变换、群体灾变算法以及有无记忆库思想,提出了无记忆库的自适应免疫克隆选择算法与有记忆库的自适应免疫克隆选择算法,并将其应用于TSP问题.群体灾变算法的应用便于使算法尽快摆脱迟钝状态,并使算法能够保持抗体多样性.自适应方法的应用使得算法在进化初期有较强的全局搜索能力和较弱的局部搜索能力,随着进化的进行,全局搜索能力逐渐减弱,局部搜索能力逐渐增强,便于找到全局最优点.仿真实验结果表明,与传统的免疫克隆算法相比,该算法有效克服了早熟问题,保持了抗体的多样性,而且收敛速度较快.     

用于非监督特征选择的免疫克隆多目标优化算法

提出一种基于免疫克隆多目标优化算法的特征选择方法,先将非监督特征选择问题归结为多目标优化问题,然后构造相应的问题模型和目标函数．最后,采用免疫克隆多目标优化算法,通过增加相关特征的显著性,减小不相关特征的显著性来实现每个特征显著性的优化,达到特征选择的目的．UCI数据集的仿真实验表明,该算法降低了错误识别率,验证了其在非监督特征选择中的应用潜力．     

一种新的免疫克隆选择算法在多峰寻优中的应用

为了解决Castro克隆选择算法中存在的种群规模需根据经验确定、多峰搜索能力弱、训练时间长的问题,提出了一种新的免疫克隆选择算法,该算法基于一个压缩阈值和新的收敛标准,能够动态确定种群大小,具有很强的全局和局部搜索能力,可以搜索到全局最优点和尽可能多的局部极值点.与Castro克隆选择算法相比,多峰搜索的成功率提高了1.2倍、平均迭代次数减少了一半.仿真实验的结果也表明该算法在平均运行时间减少了56%的情况下多峰函数的优化效果得到了显著改善.     

基于改进克隆选择算法的蛋白质关联图预测

针对蛋白质关联图预测问题,提出一种克隆选择算法与蛋白质折叠规律相结合的预测方法,综合使用蛋白质序列疏水性质、残基的二级结构倾向、关联图总点数等信息,构造了基于限制规则的克隆选择算法适应度函数,设计了符合关联图生物学特性的变异操作。算法不需要使用额外蛋白质作为训练集,不需要从现有蛋白质数据库中提取模板,因此不受现有蛋白质结构数据的局限,可以由序列信息直接进行预测。对200个非同源蛋白质的测试验证了算法的有效性。     

混沌微粒群优化算法及其在非线性函数参数估计中的应用

混沌微粒群优化算法是在微粒群优化算法的基础上引入混沌思想,提高算法的局部搜索能力,具有良好的性能.主要介绍微粒群算法的原理以及混沌优化思想,最后结合求解平面度误差证明混沌微粒群算法在非线性函数参数估计中的有效性及应用前景.     

A new improved Alopex-based evolutionary algorithm and its application to parameter estimation

In this work, focusing on the demerit of AEA (Alopex-based evolutionary algorithm) algorithm, an improved AEA algorithm (AEA-C) which was fused AEA with clonal selection algorithm was proposed. Considering the irrationality of the method that generated candidate solutions at each iteration of AEA, clonal selection algorithm could be applied to improve the method. The performance of the proposed new algorithm was studied by using 22 benchmark functions and was compared with original AEA given the same conditions. The experimental results show that the AEA-C clearly outperforms the original AEA for almost all the 22 benchmark functions with 10, 30, 50 dimensions in success rates, solution quality and stability. Furthermore, AEA-C was applied to estimate 6 kinetics parameters of the fermentation dynamics models. The standard deviation of the objective function calculated by the AEA-C is 41.46 and is far less than that of other literatures’ results, and the fitting curves obtained by AEA-C are more in line with the actual fermentation process curves.     

一种基于混沌的自适应免疫进化算法

基于免疫系统的克隆选择机理,利用混沌序列的遍历性,将混沌序列引入算法初始群体的产生和抗体的扩展过程,设计出新的扩展算子,从而提出一种基于混沌的自适应免疫进化算法。用不同测试函数进行仿真实验,结果表明该算法有效,并能以较快的速度完成给定范围的搜索和优化任务。