一种并行免疫进化策略算法研究

基于克隆选择原理,提出一种自适应并行免疫进化策略．在算法中根据抗体抗原亲和度将初始抗体种群分为两个子群,相应地提出了精英克隆算子和超变异算子．通过精英克隆算子提高算法局部搜索能力,同时利用超变异算子维持种群多样性,通过这两个功能互补算子的并行操作实现种群进化．仿真表明,自适应并行免疫进化策略搜索效率高,能有效抑制早熟收敛现象,可用于解决复杂机器学习问题．     

求解0-1背包问题的人工免疫抗体修正克隆算法

基于细胞克隆选择学说,系统地阐述了用于人工智能的抗体修正克隆算子,提出了相应的人工免疫抗体修正克隆算法;利用Markov链的有关性质,证明了该算法的收敛性.针对0-1背包问题的试验结果表明,人工免疫抗体修正克隆算法解决组合优化问题是有效的,与相应的进化算法相比,该算法有效克服了早熟问题、保持了抗体的多样性,而且收敛速度快.     

一种基于差分进化和免疫克隆选择算法的混合优化方法

为了提高免疫克隆选择算法的搜索能力,提出了一种基于差分进化和免疫克隆选择算法的混合优化方法。该方法采用差分进化提高免疫克隆选择算法的抗体亲和度,并对该算法的收敛性进行了分析。为了测试该算法的有效性,将该算法应用于函数优化问题中。仿真结果表明,该方法具有更高的收敛速度和收敛精度。     

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。     

基于差异进化的克隆选择算法

针对免疫算法在全局优化过程中多样性不足的问题,将差异进化引入克隆变异操作中,提出了一个新的改进的克隆选择算法——基于差异进化的克隆选择算法(DECSA),算法将差异进化和克隆超变异相结合,促进了抗体与抗体之间的信息融合,使得子代抗体继承父代抗体的信息的同时,携带着不同父代个体信息,丰富了抗体种群的多样性,实现了在同一父代抗体周围的多个方向同时进行全局和局部搜索。对13个标准测试函数的测试结果及与已有的算法的比较表明,该算法表现出较好的局部搜索和全局搜索能力。     

基于免疫克隆算法的多目标聚类方法

在分析k均值聚类和免疫进化聚类不足的基础上,提出一种基于Parzen密度估计的多目标免疫克隆聚类方法.该算法针对多目标免疫克隆算法中克隆规模难以确定的问题,根据密度聚类的思想,引入核密度估计,根据密度和进化代数确定各抗体的克隆规模,使用混沌变异增加抗体多样性.最后通过TOPSIS(technique for orderpreference by similarity to an ideal solution)方法进行抗体选择.人工以及UCI(universal chess interface)数据集上的仿真实验表明,该方法可以有效地提高算法速度,得到较好的聚类结果.     

周期变异概率的免疫克隆算法

在传统免疫克隆算法的基础上提出了一种新的基于周期变异概率的免疫克隆算法,该算法进一步提高了收敛速度,有效地克服了早熟现象,很好地解决了类似高维函数优化等复杂问题.通过对比计算实验表明:种群的初始分布对该算法的性能影响很小,且对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和自适应遗传算法等优化算法.     

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.     

自适应多克隆聚类算法及收敛性分析

基于生物体免疫和克隆基本原理,提出一种自适应多克隆聚类算法.其核心思想是将多种人工免疫系统算子用于聚类过程,并以亲和度函数为依据自动调整聚类类别.算法引入重组算子来增加抗体种群中个体的多样性以扩大解的搜索范围,避免算法早熟现象.引入非一致变异算子增强局部求解的自适应性、优化局部求解性能.加快算法收敛速度.另外,还利用Markov链证明算法的收敛性.数据仿真实验结果表明该聚类算法能实现合理有效的聚类.     

克隆选择算法的优化和品质因数

针对传统的克隆选择算法可能存在的早熟收敛现象和缺少交叉操作问题,提出一种高效的克隆退火优化算法.该算法结合了模拟退火算法与免疫系统的克隆选择机制,并保持全局搜索和局部搜索的平衡,可以有效提高算法的搜索效率,从而加快算法的收敛速度.同时,提出一种品质因数模型来分析该算法的动态性能,并运用Markov链理论对其收敛性进行分析.最后,将该算法应用到关联规则数据挖掘中,取得了较为理想的实验结果.     

一类克隆选择算法的收敛性方法研究

克隆选择算法收敛性研究是免疫计算领域中一个复杂而重要的问题,但是有关收敛性的研究结果还相对较少.本文综述有关克隆选择算法收敛性方法研究的近期理论成果,分别概述齐次马氏链模型、纯概率方法和鞅论三种算法收敛性研究方法的模型并分析它们的优缺点,以期推动克隆选择算法收敛性理论研究的更深入发展.     

免疫克隆多目标优化算法求解约束优化问题

针对现有的约束处理技术的一些不足之处,提出一种用于求解约束优化问题的算法——免疫克隆多目标优化算法(immune clonal multi-objective optimization algorithm,简称ICMOA).算法的主要特点是通过将约束条件转化为一个目标,从而将问题转化为两个目标的多目标优化问题.引入多目标优化中的Pareto-支配的概念,每一个个体根据其被支配的程度进行克隆、变异及选择等操作.克隆操作实现了全局择优,有利于得到高质量的解;变异操作提高算法的局部搜索能力,有利于所得解的多样性;选择操作有利于算法向着最优搜索,而且加快了收敛速度.基于抗体群的随机状态转移过程,证明该算法具有全局收敛性.通过对13个标准测试问题的测试,并与已有算法进行比较。结果表明,该算法在收敛速度和求解精度上均具有一定的优势.     

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.     

Adaptive chaos clonal evolutionary programming algorithm

1 Introduction Chaos is the essential character of a nonlinear system, and also has a series of its own properties such as randomicity,ergodicity and regulation, etc. With the profound influ-ence[1] to the development of the science, the chaos has been introduced into the evolu-tionary computation to construct new intelligent algorithms for providing some novel methods and offering some new fields[2,3] such as to overcome prematurity during the search process. Although these algorithms have hi…     

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.     

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.