免疫遗传算法在TSP求解中的应用

基本遗传算法保持群体多样性的能力较差,所以经常在问题求解的过程中得到局部最优解。根据生物的免疫原理提出的一种改进算法——免疫遗传算法。免疫遗传算法主要体现了生物免疫系统中的基因重组、免疫记忆、隔离小生境和免疫元动态等特性,这些特性改进基本遗传算法的群体多样性保持能力。最后结合旅行商问题（TSP）的优化介绍了具体实现方法,实验结果表明该免疫遗传算法有较好的性能。     

一种基于进化与免疫的动态多目标人工免疫系统模型

提出一种基于生物免疫系统工作原理的动态多目标人工免疫系统模型,模型由五元组——环境集、抗体集、抗原集、规则集和一个新的动态进化免疫算法DMEIA构成。DMEIA作为模型的核心元素,将进化算法保留上一代进化群体中的最优非支配抗体并使之参与新一代进化的特点与免疫算法的很强群体多样性以及自适应搜索能力等特性相结合,用于控制和协调模型中其他元素的运作。仿真实验表明,DMEIA算法与已有算法相比,具有更稳定的环境追踪能力,以及良好的收敛性、多样性和解的分布性,从而验证了新模型的性能。     

遗传算子对免疫算法性能影响的分析

在研究现有进化算法的优越性与存在不足的基础上,受生物免疫原理的启发,提出了一种新的算法--免疫算法.免疫算法是在免疫系统识别多样性的启发下所设计出的一种随机启发式算法,其参数的取值和操作的具体实现形式对算法的性能有较大的影响.本文详细地讨论了基于信息熵概念的免疫算法并分析了交叉和变异遗传算子对免疫算法性能的影响,将遗传算法的非均匀变异操作引入免疫算法,模拟实验结果表明了改进算法的有效性.     

基于复合免疫算法的入侵检测系统

计算机安全系统与生物免疫系统具有很多的相似性,它们都需要在不断变化的环境中维持自身的稳定性。提出复合免疫算法,并应用到入侵检测系统中,以保护网络安全。针对经典的人工免疫算法在性能上存在的缺陷进行了改进,完善了其核心算法——否定选择算法,在否定选择算法中加入了分段技术和关键位,避免了恒定的匹配概率导致的匹配漏洞,降低了系统漏检率。并将遗传算法中的克隆选择算法和改进的否定选择算法结合为复合免疫算法,提高了检测器生成的动态性和多样性。最后,通过数学理论分析与仿真实验模拟,验证了改进算法的有效性和可行性,并且与其它经典算法进行了比较,结果证明,改进算法可以提高系统性能。     

基于免疫记忆的人工免疫算法模型及其应用

本文在深入分析现有人工免疫算法模型优缺点的基础上,提出了一种基于免疫记忆机制的改进人工免疫算法模型ARTIA.该模型融合了由生物免疫系统启发而来的免疫记忆机制,包括联想记忆和迭代记忆两种,采用了多种策略以保持群体多样性,进而在数值试验的基础上对ARTIA算法模型的性能进行了分析和讨论.最后通过本质上可以归结为旅行商问题(TSP)的多目标组合优化工程实例--岩石钻孔机路径选择问题,验证了该算法的有效性.结论部分对全文作了总结并对今后研究工作进行了展望.     

目标约束融合的约束多目标免疫算法及性能评价准则

免疫算法求解约束多目标优化问题时,如何设计抗体的亲和力,以及如何保持或提高种群的多样性为算法设计的关键.本文基于免疫系统的固有免疫和自适应免疫交互运行模式,提出目标约束融合的并行约束多目标免疫算法(parallel constrained multiobjective immune algorithm,PCMIOA).利用支配度和浓度设计抗体的亲和力,提出了目标约束融合的评价方法,增强了算法的收敛性.借助基因重组中DNA片段的转移机制,设计一种转移(transformation)算子,提高了种群的多样性.针对已有性能评价准则存在的不足给出一种改进的支配范围评价准则.数值实验选用12个约束二目标和4个非约束三目标测试函数验证PCMIOA的优化性能,并将其与3种著名的约束多目标算法和5种非约束多目标算法进行比较.结果表明:PCMIOA具有较强的优化性能.与其他算法相比,PCMIOA所获的Pareto最优前沿能较好的逼近真实Pareto最优前沿,且分布较均匀.     

基于混合粒子群的航班着陆调度优化研究

研究终端区航班着陆调度优化控制问题,为对多目标着陆实现实时调度,克服粒子群算法易陷入局部最优的问题,提出了一种免疫思想和禁忌搜索的混合粒子群调度算法,在粒子群算法的基础上引入了免疫系统的抗体浓度调节机制,以保证群体多样性.针对算法后期进化速度慢的缺点,采用了具有自适应能力的禁忌搜索算法进一步优化性能.最后将混合粒子群调度算法在不同规模的实例上进行了测试,并与其它几种具有代表性的算法进行了比较.实验结果表明,改进算法不仅较好地避免了陷入局部最优,提高了收敛速度,还有效地减少了航班着陆调度中的延迟.     

人工免疫算法及其应用

阐述了人工免疫系统的基本概念,讨论了几种典型的算法,包括基于免疫系统基本机制的免疫算法、基于免疫特异性的否定选择算法、基于免疫系统克隆选择理论的克隆选择算法、基于接种疫苗及免疫多样性的免疫进化算法、AIS与神经网络混合智能算法和模糊免疫系统等;以年代为序简述了AIS发展历史,介绍了AIS在若干具有代表性的领域中的应用情况。最后通过对AIS的特性和存在问题的分析,展望了今后的研究重点和发展趋势。     

改进的免疫算法及其在工程中的一个应用

免疫算法是一种基于生物免疫系统学习机理的优化算法.本文在免疫算法的新抗体产生和群体更新策略分别采用基于遗传操作和基于信息熵的改进.它相比较标准遗传算法而言具有很好的全局搜索能力和收敛性.最后,应用一个工程实例证明该方法的可行性和有效性.     

基于混沌理论的免疫遗传算法

为提高免疫遗传算法的运算效率,根据免疫系统本身的混沌特性,提出了一种混沌免疫遗传算法。该算法利用混沌系统的遍历性来减少数据冗余,利用混沌系统的初值敏感性来扩大搜索范围,从而保持了种群的多样性,避免了局部最优。实验表明,该算法比传统的免疫遗传算法具有更高的收敛速度及收敛性能。     

一种新的混合免疫算法

免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法。文章针对目前人工免疫算法在收敛于全局最优方面存在的缺陷,提出了一种模拟退火免疫算法,引入Boltzmann退火选择算子,利用模拟退火算法可选择性接受恶化解的特点克服传统免疫算法的缺陷,并通过实验证明了该混合免疫算法的优越性能。     

免疫算法的实现

免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法，与遗传算法相似，免疫算法也是一种随机启发式算法，因而算法中的一些参数的取值和操作的具体实现形式对算法的性能产生较大的影响，该文针对几种关键操作，讨论了它们对象法性能的影响。     

基于模式记忆的免疫遗传算法

免疫遗传算法在传统遗传算法的全局随机搜索的基础上,借鉴生物免疫机制中的抗体的多样性,能有效提高群体的多样性,同时其具有记忆功能能够有效地提高搜索效率。但是在函数优化问题的解决上,免疫记忆功能一直没有能很好的实现。该文提出在免疫遗传算法中引入模式控制的方法来解决复杂函数优化的问题。基于免疫遗传机制,利用免疫记忆库记忆优秀免疫遗传模式,它能有效地加速优化过程,并且克服通常函数优化无缺乏记忆的功能。通过一个复杂函数的仿真实例证明了该方法的有效性。     

Pickup and delivery problem using metaheuristics techniques

Dial-a-ride problem (DARP) is an optimization problem which deals with the minimization of the cost of the provided service where the customers are provided a door-to-door service based on their requests. This optimization model presented in earlier studies, is considered in this study. Due to the non-linear nature of the objective function the traditional optimization methods are plagued with the problem of converging to a local minima. To overcome this pitfall we use metaheuristics namely Simulated Annealing (SA), Particle Swarm Optimization (PSO), Genetic Algorithm (GA) and Artificial Immune System (AIS). From the results obtained, we conclude that Artificial Immune System method effectively tackles this optimization problem by providing us with optimal solutions.     

基于克隆选择的车间调度算法研究

Job-Shop调度问题(JSSP)是一个典型的N-Phard组合优化问题,作为一种性能优良的启发式并行优化算法,克隆选择算法适合用于快速求解大规模复杂多模态优化问题。文章将克隆选择算法应用于求解JSSP,获得了较好的效果。     

一种改进的人工免疫算法

简要介绍了遗传算法、人工免疫算法的工作原理。为了克服传统人工免疫算法存在的不足,该文提出一种改进的人工免疫算法,并利用Rosenbrock函数对3种算法进行了试验比较。实验结果表明,该文提出的改进的人工免疫算法较遗传算法、传统的人工免疫算法更为有效。     

基于免疫遗传算法的敏捷供应链伙伴选择

伙伴选择是在组建敏捷供应链过程中的关键问题,主要研究如何在众多候选企业中选择合作伙伴组成最优敏捷供应链。论文引入免疫遗传来解决这一问题,提出了一种基于免疫遗传的敏捷供应链伙伴选择算法,其免疫机制较好地避免了算法的“早熟”,改善了算法的全局搜索性能,提高了收敛速度。最后以一个典型算例说明了该算法的有效性。     

免疫记忆遗传算法及其完全收敛性研究

指出多模态优化中现有小生境遗传算法(NGA)和简单子群遗传算法(SSGA)无法实现完全收敛。受精英个体保留策略的启示,基于免疫系统的记忆细胞机制设计了免疫记忆遗传算法(IMGA),利用马尔柯夫链为数学工具,从理论上证明了NGA不能完全收敛而IMGA能够完全收敛。选择小生境遗传算法与该文算法进行了对比仿真实验,不仅验证了理论上的完全收敛性结论,同时验证了所提算法求解多模态问题的有效性、快速收敛能力及其收敛的稳定性。     

覆盖网络的链路优化问题研究

在综合考虑各个影响覆盖网络路由性能因素的基础上,提出针对覆盖链路选取问题(OLSP)的多目标优化模型,利用覆盖链路对物理链路的重用度因素使模型能以最少的维护代价获得最高的覆盖路由性能。采用Pareto占优理论和免疫克隆算法对OLSP进行求解,通过数字仿真实验验证该模型的合理性和ICA的有效性。     

一种基于免疫原理的遗传算法

本文提出了一种免疫遗传算法（Ｉｍｍｕｎｅ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ,简称ＩＧＡ）。免疫遗传算法是根据生物的免疫原理提出的一种改进遗传算法法,该算法主要体现了生物免疫机制中的抗原识别、抗原记忆和抗体的抑制、促进,并结合货郎担（ＴＳＰ）优化问题介绍了具体实现方法,实验结果表明该免疫遗传算法有较好的性能。