改进的克隆选择算法及其应用

为解决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、训练时间长等问题,提出一种新的免疫克隆选择算法,该算法基于实数编码和自适应变焦变异方法,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。仿真实验结果表明,该算法平均运行时间和平均找到的峰值点个数都明显优于Castro克隆选择算法,且多峰值函数的优化效果得到显著改善。     

多峰函数优化的自适应小生境克隆选择算法

为了解决de Castro在2000年提出的CLONALG算法在多峰值函数优化时多峰搜索能力弱,训练时间长的问题,提出自适应小生境克隆选择算法（ANCSA）。该算法运用自适应小生镜技术、高频变异算子和小生镜免疫优势选择技术来对原有算法进行改进。新算法具有较强的全局和局部搜索能力,并且搜索时间较短。理论分析和仿真研究结果表明,相比CLONALG算法,提出的算法能够在较短的时间内搜索到所有的全局最优解和更多的局部最优解。     

一种改进的克隆选择优化算法

人工免疫系统是基于生物免疫系统特性而发展的新兴智能系统。论文利用免疫系统的克隆选择机制,提出一种用于函数优化的改进克隆选择算法。算法的主要特点是采用克隆和自适应变异等操作,提高收敛速度和种群的多样性。仿真程序表明,该算法能以较快速度完成给定范围的搜索和全局优化任务。     

基于克隆选择原理的免疫识别算法研究

传统基于人工免疫的识别算法对于正常行为和非正常行为的定义仅限一次,无法根据实际网络环境中的变化做出调整。克隆选择算法是基于群体的免疫算法,是一种模拟免疫系统的学习过程的进化算法,也是抗体集进行群体更新的策略。     

自适应克隆选择算法在函数优化中的应用

本文在分析了传统用于函数优化问题的遗传算法特点和不足的基础上,结合克隆选择算法基本原理,提出一种解决函数优化问题的自适应克隆选择算法(ACSA),通过两个典型的函数寻优问题的仿真分析,结果说明自适应克隆选择算法在解决函数优化问题时的高效性.     

抗独特型克隆选择算法

基于免疫学中的抗体克隆选择学说,通过引入抗独特型结构,提出了一种用于求解复杂多峰函数优化问题人工免疫系统算法——抗独特型克隆选择算法.该算法通过克隆增殖操作、抗独特型变异操作、抗独特型重组操作和克隆选择操作这4 个操作算子来实现抗体种群的进化,能够同时在同一抗体周围的多个方向进行全局搜索和局部搜索,具有较强的搜索能力.理论分析表明,抗独特型克隆选择算法具有全局收敛性.抗独特型结构的引入充分利用了优势抗体的结构信息,加快了抗体种群的收敛速度,从而以更快的速度获得全局最优解,同时降低了算法陷入局部极值点的几率.实验部分采用4 组不同类型的函数对算法性能进行测试.理论分析及实验结果表明,与克隆选择算法等已有算法相比,该算法性能好,求解精度高,鲁棒性强.     

空间自适应免疫克隆选择优化算法

针对免疫克隆选择优化算法晚期收敛速度慢的不足,通过引入搜索空间自适应缩放的思想,提出一种新的空间自适应免疫克隆选择优化算法(SAIS)。算法利用不完全演化搜索优化解的分布特性,以精英个体为中心收缩搜索空间,并采用空间扩张机制帮助算法跳出局部最优。通过对高维基准测试函数实验表明,SAIS能显著提高收敛速度和优化解的质量。     

克隆选择算法分析及其改进的研究与应用

克隆选择算法被广泛应用到各个领域,为解决DeCastro克隆选择算法中存在的一些问题:需要根据人为经验确定种群规模的大小、种群训练的时间比较长、多峰搜索能力相对较弱,对其进行进一步的改进,运用新的克隆选择、克隆变异和最佳亲和度,并引入了抗体抑制操作,可动态确定种群大小,使算法具有较强的全局和局部搜索能力,同时也可以搜索到全局最优点和尽可能多的局部极值点.简单仿真实验结果表明,该算法的平均运行时间和找到峰值点个数都明显优于DeCastro克隆选择算法     

基于自适应克隆启发算法的作业车间调度

将优先权启发式算法获得的最小生产周期倒数作为抗体,采用实数编码,给出新的自适应克隆启发算法,用于求解作业车间调度问题。设计一种新的自适应克隆算子,基于抗体间距离的大小,在抗体间自适应地分配抗体激励度和抗体克隆的数量,模拟免疫系统自适应地调节抗体克隆数量的动态过程。FT10和FT06的仿真实验表明,该算法性能稳定、效果良好。     

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。     

权重自适应clonal选择算法及其应用研究

在求解两个目标以上的多目标优化问题时,基于Pareto支配的多目标进化算法多数需要较长的求解时间.基于固定权重的聚合函数方法求解速度快,但要确定一个适合待求解问题的合理权重是十分困难的,为了解决这一问题,将clonal选择算法与权重自适应方法相结合,提出了一种适用于多目标优化问题的权重自适应clonal选择算法.并将权...     

一种免疫克隆选择网络及其学习算法

基于生物免疫学抗体克隆选择学说,本文探讨了免疫克隆选择算法(Immune Clonal Selection Algorithm,ICSA)的网络拓扑结构,然后基于李亚普洛夫稳定性定理,分析了算法的动态特性.并构造了一种基于伪梯度的混合免疫克隆网络算法,相应函数优化的试验表明,增加基于伪梯度的搜索后,在一定程度上对ICSA的性能有较大改善.     

一种改进的静态克隆选择算法及其应用研究

建立了一个基于人工免疫原理的入侵检测系统模型，该模型融合了智能协议分析、克隆选择、人工免疫、遗传算法等多种智能技术，对其中的克隆选择算法进行了研究，对Forrest的静态克隆选择算法提出了改进方案。仿真实验表明，改进算法在性能上优于Forrest的静态克隆选择算法。     

Hoeffding克隆选择算法及其在关联分类中应用

工程应用中,在某些需要大量的迭代计算来确定个体细胞亲和力的场合,传统的克隆选择算法由于计算的开销太大而变得不可行。针对该问题,该文提出一种新的Hoeffding克隆选择算法(H-CLONALG)来解决耗时的亲和力(适应度)计算问题。并将该算法应用于大数据集的关联分类,来提高构造关联分类器时算法的效率。基于Hoeffding不等式,该算法可以以确定的概率保证得到的解为最优解或接近于最优的解。实验表明,当数据集规模较大时,该方法能显著地减少分类器的构造时间,同时保证所构造的分类器的分类精度。     

一种改进的用于多峰值函数优化的自适应克隆选择算法

针对基本的克隆选择算法容易陷入局部最优的弱点以及算法在迭代后期易出现停止不前的现象,向基本克隆选择算法中加入了超变异算子和自适应调节步长机制,经过典型的Benchmark算例的测试,表明改进后的克隆选择算法能够提高全局寻优能力和解的精度.     

Immunodomaince based Clonal Selection Clustering Algorithm

Based on clonal selection principle and the immunodominance theory, a new immune clustering algorithm, Immunodomaince based Clonal Selection Clustering Algorithm (ICSCA) is proposed in this paper. Firstly, by introducing a new immunodomaince operator to Clonal Selection Algorithm (CSA), the gene of elites in antibody population can be extracted and generalized to ordinary antibodies so as to gain on-line priori knowledge and share information among individuals. Then, one iteration of Fuzzy C-means clustering algorithm (FCM) and adaptive updating mechanism of antibody population are utilized to improve the diversity of antibody population in order to speed up the convergence speed. The proposed method has been extensively compared with FCM, GA-clustering algorithm (GACA) and Clonal Selection Algorithm based FCM (CSAFCM) over a test suit of several real life data sets and synthetic data sets. Experimental results indicate the superiority of the ICSCA over FCM, GAFCM and CSAFCM on clustering accuracy and robustness.     

一种克隆选择算法的收敛性分析

针对目前的免疫算法很少涉及分析其理论模型和收敛性的问题,就免疫算法中的一种克隆选择算法提出了该算法的收敛性分析。分析过程主要分为两步：首先利用马尔可夫链建立了这种克隆选择算法的马尔可夫模型,然后在此模型的基础上进一步分析了该算法的收敛性。分析结果从数学的角度证明了该算法是收敛的。为该算法进一步的完善、实用提供了一定的理论基础。     

一种基于接种疫苗的克隆选择算法?

对生物医学中的疫苗及接种疫苗技术进行抽象与建模,分别提出疫苗及相关概念、疫苗自动获取算法和接种疫苗算法。将上述算法与一般克隆选择算法结合,实现对其的改进。分析改进算法的计算效率和时间复杂度,改进后的克隆选择算法被用于模式识别。实验结果表明,基于接种疫苗的克隆选择算法能够加快收敛速度。     

一种新的克隆选择调节算法

基于生物免疫系统克隆选择机理和独特型免疫网络理论，提出了一种新的免疫算法——克隆选择调节算法（CSAA）．其主要特点是在克隆选择算法的基础上，引入了抗体的促进与抑制动态调节思想．通过运用自适应柯西变异、免疫记忆和克隆抑制等机制，该算法更好地保持了种群的多样性，提高了全局收敛的速度，从而有效避免了早熟现象．本文利用随机过程理论作为数学工具，采用纯概率方法证明了CSAA的概率弱收敛性．对该算法与其他克隆选择算法进行了仿真比较实验；仿真结果不仅验证了CSAA理论上的概率弱收敛性结论，同时也表明了该算法在求解多模态函数优化问题时具有更好的收敛性能和稳定性，更为有效可行。