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.     

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.     

基于自适应多种群遗传算法的特征选择

针对标准遗传算法早熟收敛和局部搜索能力弱的缺点,提出了一种自适应多种群的遗传算法(AMGA),包含了多种群规划模型(MPP)和动态选择操作算法(DSA),应用于特征选择处理,从多维特征集合中寻找最优的特征子集。该方法扩展了搜索空间,自适应地调整多个种群的运行状态,有效地控制早熟收敛,增强了局部搜索能力。最后,将本文方法与标准遗传算法的试验结果进行比较,表明本文算法选择的特征数量较少、分类精度较高,可广泛应用于特征选择领域。     

求解函数优化问题的混合进化规划算法

提出一种混合进化规划算法,将进化规划与免疫进化中的克隆扩增相结合.该算法一方面用自适应变异步长的进化规划来有效地控制种群的整体进化,以在全局范围内进行搜索;另一方面,对于当前代中最优个体本身,利用免疫进化中的克隆扩增算子,来进行小邻域的局部细搜,从而形成两层领域搜索机制,以保证全局和局部搜索能力.仿真结果表明,该算法收敛速度快,搜索精确度高,并具有良好的全局搜索能力.     

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.     

自适应克隆免疫算法应用于宽带匹配网络设计

针对克隆选择算法的不足,提出了一种自适应克隆免疫算法.直接根据抗体的多样性来确定克隆规模,通过引入抗体的自适应变异操作,增加对精英抗体的记忆和相似抑制操作来产生种群新个体,以保证算法的全局收敛性和抗体的多样性.将该算法应用于宽带匹配网络的拓扑结构和元件值的综合优化设计中,并分析了优化过程中频率采样点数的合理选取问题.仿真结果通过与实频法、遗传算法和克隆选择算法相比较,表明该算法具有更快的收敛速度,设计的匹配网络具有更优的匹配性能.     

化验室资源调度优化的改进型克隆选择算法

为了提升化验室处理化验单能力,实现资源调度优化,建立了化验室调度模型,引入了克隆选择算子、自适应变异算子以及多种群协同进化思想,提出了改进型克隆选择算法,并运用该算法对化验室处理化验单进行了调度优化。将改进型克隆选择算法与多种类型算法进行对比,结果显示,改进型克隆选择算法能有效改善早熟收敛问题,提高搜索效率,获得最优分配方案,适用于化验室化验单调度问题,满足实际要求。     

自适应免疫克隆选择算法的参数识别

提出了一种被称为是自适应免疫克隆选择算法的新型人工免疫算法,此方法可进行系统的参数识别,以解决结构的多目标优化问题.此种算法将二阶响应、适应性变异准则和疫苗因子这三种算子都引入到遗传克隆选择算法中,提高了运算的收敛速度及全局优化搜索能力.对动力系统参数识别的模拟识别结果证明了本文所提出算法的有效性与可行性.     

[研究生论坛]自适应多重Baldwin克隆选择算法

提出一种自适应多重Baldwin克隆选择算法(SAMBCSA)用以改善经典克隆选择算法(CLONALG)针对复杂多峰优化时精度不足的问题。通过学习不同抗体之间的优势差异信息引导免疫变异,挖掘潜在优势解区域方向,增强免疫进化能力。设计了免疫响应策略库,并引入基于统计的自适应学习框架以使算法可自适应选择不同的免疫响应策略应对不同的问题,增强算法普适性。分析了算法的时间复杂度,并说明了算法的收敛性。针对16个最新测试函数的仿真实验表明,对于多数复杂多峰优化问题,SAMBCSA的求解质量和收敛速度优于标准免疫克隆选择算法等已有算法。     

一种社会网络搜索免疫优化算法

基于社会网络所表现出的强大的信息搜索和传播能力,提出了一种新颖的免疫优化算法--社会网络搜索免疫优化算法．该算法将优化问题的求解看作是信息的传递过程,利用经典社会网络搜索模型即Kleinberg网络模型的建模方法来构造免疫算法的寻优进化过程．通过网络的结构增长机制,分别由短程连接算子和长程连接算子来引入抗体种群中的新个体．当搜索进行到一定程度时,自适应地调整长程连接搜索概率,避免算法陷入局部极值,能够最终找到目标的最优解．短程连接算子和长程连接算子的引入充分利用了抗体种群的结构信息,加快了种群收敛速度,同时降低了算法陷入局部极值点的概率．通过对复杂函数优化问题的测试、理论分析及实验结果表明,与粒子群算法、克隆选择算法等已有算法相比,新算法可以更好地保持解的多样性,收敛速度快,求解精度高,鲁棒性强．     

一种解决函数优化问题的免疫算法

介绍了免疫算法的基本概念，以及人工免疫系统中的克隆选择原理，基于该原理，结合遗传策略中的高斯变异算子，提出一种免疫算法来解决函数优化问题。给出了算法的描述，数值实验中选择了几个函数进行优化，并将实验数据结果与传统的遗传算法进行了比较。数据实验结果表明，该免疫算法能够寻找到更优的优化结果，并且在收敛速度上明显优于传统的遗传算法。     

Elitism-based immune genetic algorithm and its application to optimization of complex multi-modal functions

A novel immune genetic algorithm with the elitist selection and elitist crossover was proposed, which is called the immune genetic algorithm with the elitism （IGAE）. In IGAE, the new methods for computing antibody similarity, expected reproduction probability, and clonal selection probability were given. IGAE has three features. The first is that the similarities of two antibodies in structure and quality are all defined in the form of percentage, which helps to describe the similarity of two antibodies more accurately and to reduce the computational burden effectively. The second is that with the elitist selection and elitist crossover strategy IGAE is able to find the globally optimal solution of a given problem. The third is that the formula of expected reproduction probability of antibody can be adjusted through a parameter r, which helps to balance the population diversity and the convergence speed of IGAE so that IGAE can find the globally optimal solution of a given problem more rapidly. Two different complex multi-modal functions were selected to test the validity of IGAE. The experimental results show that IGAE can find the globally maximum/minimum values of the two functions rapidly. The experimental results also confirm that IGAE is of better performance in convergence speed, solution variation behavior, and computational efficiency compared with the canonical genetic algorithm with the elitism and the immune genetic algorithm with the information entropy and elitism.     

一种免疫补体优化算法

针对目前提出的免疫优化算法在求解优化问题时还存在收敛速度慢,往往不能求得最优解,鲁棒性低的问题,基于生物免疫补体激活原理,提出了一种免疫补体优化算法。在算法中,依据补体激活理论,设计了主要的补体算子：分裂算子和结合算子,并根据补体激活过程,通过补体算子的作用对问题解不断优化,求得全局最优解。最后对算法的收敛性和鲁棒性进行了理论分析,并将免疫补体优化算法与典型的克隆选择算法进行了对比实验。理论与实验结果表明了免疫补体优化算法是收敛的,并且收敛速度更快,求得的最优解更好,鲁棒性更高。     

用于全局优化问题的混合免疫进化算法

为了克服免疫算法在优化高维多峰函数时存在的早熟收敛问题,提出一种高效的混合免疫进化算法．动态克隆扩张、基于学习机制的超变异和多母体交叉是该算法的主要特点．同时,提出了一种算法性能评价准则,以比较不同算法在优化高维函数时的性能．在实验部分,首先使用经典测试函数测试了混合免疫进化算法的性能;然后,分别在不同的评估次数下比较了自适应差分进化、基本免疫算法和混合免疫进化算法,结果表明免疫进化算法在求解精度、稳定性等方面均明显优于前两种算法．     

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。     

异构集群独立任务调度问题的自适应免疫算法

异构集群独立任务调度问题是一个典型的NP难题.面向这一难题,现有的启发式调度算法,如RC、DGA等都没能兼顾实时性与负载均衡能力.人工免疫是一个新的人工智能技术,在解决组合优化难题方面,表现出了较好的性能.文章建立了一个异构集群任务调度模型,基于免疫响应的克隆选择原理和亲和力成熟机制,提出了异构集群独立任务调度问题的自适应免疫算法(AIBA).在AIBA中,通过注入抗体和动态计算负载均衡阈值的方法,将LPT算法的实时性与人工免疫系统的组合优化能力有机地结合了起来.最后,通过模拟实验对算法进行了测试和比较.实验结果显示,与DGA相比,该算法具有自适应调整能力,能动态地兼顾实时性与负载均衡度指标,有很强的实用性.