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     

一种改进的克隆选择算法在多峰值函数优化中的应用

为了解决deCastro2002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,本文提出了一种改进的克隆选择算法。该算法运用新的克隆选择操作、克隆变异操作和最佳抗体停止进化操作,并且引入了抗体抑制操作,不仅可以动态调整种群大小,具有较强的全局和局部搜索能力,而且搜索时间较短。与Castro的克隆选
择算法相比,本文算法在较短的时间内可以搜索到全局最优解和更多的局部最优解。     

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。     

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.     

自适应混合变异克隆选择算法研究

克隆选择算法是免疫入侵理论中检测器进化的核心。传统免疫克隆选择算法中通过单一的变异很难同时兼顾全局和局部搜索,从而导致容易陷入局部最优或者收敛速度慢等弊端,通过引入文化算法,实现种群空间和信仰空间双层进化,在变异时将全局搜索能力强的柯西变异和局部搜索能力强的混沌变异相结合,提出了自适应混合变异克隆选择算法,利用信仰空间的知识来自适应地确定两种变异的作用时间和作用比例,通过KDDCUP99数据集进行测试,结果显示该算法有较好的收敛性和鲁棒性。     

蚁群算法与免疫算法的融合及其在TSP中的应用

提出一种基于抗体片段局部最优搜索的克隆选择和蚁群自适应融合算法.引入混沌扰动来增加抗体种群的多样性,以提高蚁群算法的搜索能力;利用克隆扩增、免疫基因等相关算子的操作,增强了克隆选择算法搜索的效率;通过自适应控制参数,实现了克隆选择与蚁群优化的有机结合及局部最优搜索策略的应用,加快了收敛速度,克服了抗体种群早熟问题,提高了求解精度.仿真实验结果表明,该算法具有可靠的全局收敛性,较快的收敛速度.     

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。     

免疫克隆粒子群优化算法在水面舰船图像分割中的应用

介绍了一种免疫克隆粒子群优化(IC PSO)算法来进行函数优化,目的在于克服基本粒子群优化(PSO)算法容易陷入局部极值的不足,从而实现全局搜索.通过免疫克隆原理的应用,根据亲和度的高低进行粒子克隆选择、淘汰和高频变异,提高了种群的多样性,增强了算法全局搜索的能力,提高了收敛速度和精度.实验结果表明,该算法完成全局搜...     

基于变异记忆矩阵的克隆选择算法

利用免疫系统的免疫记忆机制,提出一种适于函数优化的基于变异记忆矩阵的克隆选择算法.首先,利用变异记忆矩阵保存进化中有用的变异信息,以引导抗体的克隆和变异操作,加强局部搜索能力;然后,利用当代种群的综合信息生成新抗体进入种群,以加强全局搜索能力;最后,对最优抗体进行自学习,以提高算法结果的精度.标准函数仿真表明,该算法适合求解复杂函数优化问题,具有收敛速度快、全局收敛能力强、精度高、鲁棒性强的优点.     

一种基于记忆克隆选择的多目标免疫算法

借鉴生物免疫原理中克隆选择机理,设计了一种基于记忆克隆选择的多目标免疫算法。该算法构建了一种亲和度的快速计算方法,并在抗体种群全局搜索Pareto解的同时,也在记忆单元进行局部搜索,有效地提高了搜索效率和收敛性。选取了六种典型的多目标优化函数进行算法仿真测试研究,并与经典的多目标进化算法NSGA-II进行了比较。仿真研究结果证明了新算法在保证种群分布度的同时,拥有比NSGA-II更好的收敛性和速度。     

改进型动态自适应克隆选择算法

克隆选择算法是目前应用较广的一种智能优化算法,但它在选择时具有一定的盲目性。为了克服它的这个不足,论文提出了一种改进型动态自适应克隆选择算法。在该算法中,首先根据抗体的亲和度将抗体群动态分为记忆单元和一般抗体单元,然后再借助抗体的亲和度修正抗体的变异概率并根据修正后的变异概率进行变异操作,紧接着以球面杂交方式对种群进行调整以产生新的种群。上述策略使得该算法在选择时具有一定的针对性,从而加快了它的全局搜索速度,仿真结果验证了所提算法的有效性、可行性。     

基于平均熵的自适应人工蜂群算法

针对基本人工蜂群算法容易陷入局部最优和早熟等问题,提出一种改进的人工蜂群算法(ASABC)。利用平均熵机制初始化种群,增加种群的多样性,避免算法陷入早熟;同时,采用自适应调节邻域搜索步长的策略来提高算法的局部搜索能力,提升算法的计算精度;为了平衡算法的全局搜索能力和局部搜索能力,引入自适应比例选择策略来代替人工蜂群算法的适应度比例选择方法。对8个标准测试函数的仿真实验结果表明,与3种常见的智能优化方法相比,改进的算法具有显著的局部搜索能力和较快的收敛速度。     

分级变异的动态克隆选择算法

基于浮点数编码,提出一种分级变异的动态免疫克隆选择优化算法．根据抗体的亲和度将种群分解为3个子种群,分配以不同的搜索任务,实施不同的变异策略．在进化过程中动态改变种群规模、克隆规模和变异参数,从而加快了全局搜索速度,提高了局部搜索精度．对5个复杂函数的优化仿真实验表明了该算法的有效性。     

协同演化算法在聚类中的应用

提出一种协同演化聚类算法,该算法使用改进的掩码方式动态决定聚类中心的数目。将种群划分成两个子种群,分别采用遗传算法和差分进化算法进行演化,遗传算法侧重于全局寻优,差分进化算法注重于局部搜索。在演化的过程中,利用不同的间隔迁移策略相互交换优良个体,使算法的全局探索能力和局部搜索能力得到均衡。通过性能测试、聚类中心数目和运行时间测试等实验证明该算法的优越性。     

基于改进蝙蝠算法和三次样条插值的机器人路径规划

为更好地解决移动机器人路径规划问题, 改进蝙蝠算法的寻优性能, 拓展其应用领域, 提出了一种具有反向学习和正切随机探索机制的蝙蝠算法. 在全局搜索阶段的位置更新中引入动态扰动系数, 提高算法全局搜索能力; 在局部搜索阶段, 融入正切随机探索机制, 增强算法局部寻优的策略性, 避免算法陷入局部极值. 同时, 加入反向学习选择策略, 进一步平衡蝙蝠种群多样性和算法局部开采能力, 提高算法的收敛精度. 然后, 把改进算法与三次样条插值方法相结合去求解机器人全局路径规划问题, 定义了基于路径结点的编码方式, 构造了绕避障碍求解最短路径的方法和适应度函数. 最后, 在简单和复杂障碍环境下分别对单机器人和多机器人系统进行了路径规划对比实验. 实验结果表明, 改进后算法无论在最优解还是平均解方面都要优于其他几种对比算法, 对于求解机器人全局路径规划问题具有较好的可行性和有效性.     

基于动态双组粒子群的短期负荷预测

为提高电网短期负荷预测的精度,提出一种有效的优化支持向量机参数的算法。该算法首先将初始粒子群适应度排序,然后根据适应度的大小将初始粒子群划分为两组,并同时运用不同的权重进行全局搜索和局部搜索。前期,全局搜索的粒子群数量远多于局部搜索,且使用全局搜索能力强的较大的惯性权重;局部搜索的粒子群使用较小的惯性权重。随着迭代次数的增加,全局搜索的粒子群数量不断减少,局部搜索不断增多,两组粒子数量动态变化。并且引入平均粒距和适应度方差解决粒子群容易陷入局部最优这一问题,最后用改进的动态双组粒子群算法优化最小二乘支持向量机的参数用于短期负荷预测,实验结果表明该方法预测精度更高,可行且有效。     

一种新的免疫进化算法在函数优化中的应用

针对克隆选择算法在求解高维函数优化问题时易陷入局部最优以及收敛速度较慢的弱点,本文基于生物免疫系统内部学习优化机制以及进化算法,提出了一种新的免疫进化算法,它包括正交交叉、单形交叉、克隆、多极变异和选择。新算法将进化计算的思想融入到克隆选择中,提出了一种新的变异算子,在保证种群多样性的同时提高了算法的全全局寻优能力。理论分析证明了算法的收敛性,并将算法应用于不同的测试函数进行仿真实验。结果表明,该算法是有效的。