基于克隆选择的粒子群优化算法

粒子群优化是一种简单有效的随机全局优化技术．将克隆选择引入拉子群优化算法，提出了一种基于克隆选择的拉子群优化算法．算法的主要特点是利用克隆和变异等操作，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．     

基于反馈的精英教学优化算法

精英教学优化算法（Elitist teaching-learning-based optimization,ETLBO）是一种基于实际班级教学过程的新型优化算法. 本文针对ETLBO算法寻优精度低、稳定性差的问题,提出了反馈精英教学优化算法（Feedback ETLBO）. 在ETLBO算法的基础上,通过在学生阶段之后加入反馈阶段,增加了学生的学习方式,保持学生的多样性特性,提高算法的全局搜索能力. 同时,反馈阶段是选举成绩较差的学生与教师交流,使成绩较差的学生快速向教师靠拢,使算法进行局部精细搜索,提高算法的寻优精度. 对6个无约束及5个约束标准函数的测试结果表明,FETLBO算法与其他算法相比在寻优精度和稳定性上更具优势. 最后将FETLBO算法应用于拉压弹簧优化设计问题及0-1背包问题,取得了满意结果.     

一种免疫克隆选择检测器优化算法

提出一个免疫克隆选择检测器优化算法,通过对原检测器中个体的抗体克隆、变异和克隆选择操作,实现对检测器分布状况的优化.仿真结果表明,该算法具有较快的收敛速度和较好的稳定性,优化效果也令人满意.     

基于多模态函数优化的改进克隆选择算法

文章分析了deCastro和VonZuben在2002年提出的用于多模态函数优化的克隆选择算法(CLONALG)的不足,并且运用小生境技术、记忆方法、梯度法和相似性抑制法对该算法进行了改造,提出了小生境克隆选择算法(NCSA)。利用马尔柯夫链为数学工具,从理论上证明了NCSA的完全收敛性(CompleteConvergence)。该算法与CLONALG进行了仿真比较实验,不仅验证了NCSA理论上的完全收敛性结论,同时验证了所提算法对于求解多模态问题更为有效,且具有很好的稳定性。     

基于克隆粒子群优化算法的多用户检测器

针对经典离散粒子群优化算法收敛性差的缺点,设计了基于新的运动方程的离散粒子群优化算法。为了解决CDMA系统多用户检测这个NP完全问题,基于免疫克隆选择理论和新的粒子群优化算法,提出了克隆粒子群优化算法,其中,由神经元构成的粒子可以进行随机搜索和经验学习。仿真结果表明,在异步和同步CDMA系统上,该检测器的误码率性能都优于传统方法和其他一些多用户检测器,达到最优检测。     

基于差分演化和克隆选择机制的优化算法

为了解决函数优化过程中的“早熟收敛”和“搜索迟钝”问题,将差分演化算法与克隆选择算法进行了结合,提出了一种新的差分演化克隆选择算法。该算法将克隆选择操作引入到差分演化算法中,达到了既能够选出最好个体又能够保证种群多样性的效果。实验结果表明该算法在多峰值函数优化问题中,具有求解精度较高,收敛速度较快等优点。     

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。     

入侵检测中基于优秀基因的克隆选择算法

基于生物免疫系统克隆选择机理是,在克隆选择过程中引入优秀基因来提高入侵检测系统检测器进化的方向性及效率;应用KDD Cup 1999入侵检测数据集,分别使用传统克隆选择算法和优秀基因控制克隆选择的方法进化检测器。实验证明,引进优秀基因后克隆选择过程对检测器的进化效果很好,具有较高的正确检测率。     

一种基于克隆选择的入侵检测算法

提出了一种基于克隆选择的入侵检测算法,包括整体模块以及耐受、记忆细胞检测、成熟细胞检测模块。算法能够动态地自适应地定义自体,可以根据环境的变化,来调整自体集合的大小,只保证一段时间内被认为是正常行为的自体存在,从而在时空复杂度上都可以大大改善入侵检测系统,更好地适应了真实环境。     

一种用于函数优化的免疫算法

遗传算法是目前最为广泛使用的可以用于函数优化的寻优方法之一。针对其容易陷入局部极值点等弱点,该文基于生物免疫系统中的学习机理及与其相关的免疫学理论中的克隆选择学说,提出了一种新的用于函数优化的免疫算法。新算法包括选择、克隆扩展、超变异和免疫记忆操作,定义了体现算法学习机制的学习参数和用于保存最优解的免疫记忆集合。提出了根据算法亲合度自适应调节学习参数的方法,以提高算法的全局寻优能力。用不同类型的测试函数进行仿真实验,结果表明该算法是有效的。     

基于免疫克隆退火算法的P2P路由算法

为改善P2P网络中传统路由算法存在的不足,结合免疫克隆算法和模拟退火算法的优点,提出一种基于免疫克隆退火算法的P2P路由算法。该算法充分考虑节点间延迟、带宽和费用等差异。实验结果表明,该算法能有效提高路由效率,减少路由延迟,整体性能优于其他路由算法。     

一种基于反馈机制的自适应弹性调度算法

针对实时多任务系统中的临时过载问题,提出一种基于反馈机制的自适应弹性周期调度算法。考虑任务截止期小于或等于任务 周期的情况,参考弹性调度算法的基础模型,动态估计周期任务的执行时间。仿真实验结果表明,该算法可有效提高随机任务集的调度成 功率。     

一种带回馈机制的新型网格资源发现算法的研究

网格资源发现算法是网格资源发现机制的核心,传统的分布式资源发现算法通常只关注正向搜索的成功率,反向的响应报文仅仅用来向资源申请者报告搜索成功与否.本文提出了一种带回馈机制的新型网格资源发现算法,该算法充分利用响应报文与请求报文可能经不同路径返回的特点,在正向搜索失败时,启动反向搜索机制,在一个往返时间里进行二次搜索.模拟实验表明该算法可以较好地提高资源发现成功率,同时并未明显增加整个系统的开销.     

基于正反馈机制的遗传算法

本文提出了一种基于正反馈机制的遗传算法（Genetic Algorithm based on Mechanism of Positive Feedback,GAMPF）,它将蚂蚁算法的正反馈机制引入到两交换启发交叉算法（HGA）,用信息素指导遗传算法的交叉操作,实现了蚂蚁算法与遗传算法的融合。TSP仿真实验证明,新算法在求解质量和求解效率上都取得了很好的效果。     

基于量子免疫克隆算法的入侵检测系统

该文针对现行入侵检测系统的特点,提出了一种基于量子遗传克隆的入侵检测算法。通过实验结果分析得出,该方法比遗传算法具有更高的准确率和更好的收敛性。     

基于信息素负反馈的超启发式蚁群优化算法

针对蚁群算法应用于自动导引小车路径规划收敛速度慢、极易陷入局部最优的缺点，提出一种基于信息素负反馈的超启发式蚁群优化（ACONhh）算法。该算法充分利用历史搜索信息和持续获得错误经验，较快引导蚁群探索最优路径；分层化选择可行节点，加快算法初期收敛速度；设置挥发因子呈类抛物线变化以及调整信息素更新机制，改善路径全局的随机搜索特性。通过严格的数学方式证明了ACONhh算法具有收敛性。仿真和实验结果表明，该算法的收敛速度以及全局搜索性能显著优于目前流行的ACO、ACOhh和ACOihh算法。     

一种基于实数编码的量子免疫克隆算法

传统量子位编码方案需要频繁的解码运算,降低算法效率。为此,提出一种基于实数编码的量子免疫克隆选择算法。该算法采用实数编码方式,应用Logistic映射产生混沌变量作为量子旋转门旋转角。实验结果表明,该算法适用于解决复杂多极值连续函数的寻优问题,编码简单,收敛速度快,寻优能力强。     

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.