改进的克隆选择算法在模糊规则发现中的应用

提出了利用改进的克隆选择算法发现模糊规则的方法。在该方法中，对规则的评价函数不仅包含规则本身的置信度和蕴涵隶属度等特性，也包含表明规则对规则集整体性能影响程度的量化特性，即一致性贡献和完备性贡献。将该方法用于发现股票20日移动平均线与历史量价之间的模糊规则的仿真试验收到了满意结果。     

基于抗体选择策略的克隆挖掘算法

针对如何有效地利用大量的原始数据分析现状来预测未来的问题,基于抗体选择策略提出一种克隆选择挖掘算法。通过评估抗体的支持度、可信度和亲和度,求得有效的关联规则。实验结果表明,该算法能较快地获得可理解的规则,并且具有较高的准确率。     

一种基于多精度模糊划分提取模式识别规则的方法

对于具有多模糊特征变量的分类问题，提出一种自动提取适当的模糊模式识别规则集的方法．首先通过多精度划分模糊空间产生多个模糊规则表，然后采用人工免疫原理的克隆选择算法，得出一个优化的模糊分类规则集用于模式识别．实验表明该方法所提取的规则集规则数目少、分类正确率较高．     

基于克隆选择的图像分割算法研究

为了快速有效地对生物运动图像进行分割,提出了一种新的图像分割算法,该方法基于传统的2维最大熵分割法,将计算机免疫学中的克隆选择算法应用于图像分割中。首先对图像2维阈值进行编码,然后依据2维最大熵准则建立亲和力函数,在给定的初始种群下,对种群进行选择、克隆、变异、更新等操作,由于克隆选择算法具有生物免疫系统自组织、自学习、自识别、自记忆的能力,所以能够快速地得到全局最优解,实现图像的有效分割。从实验结果表明该算法所用搜索时间大约只有标准2维最大熵法的1.3%,证明该算法高效稳定,是一种实用有效的图像分割算法。     

基于克隆选择算法的PCNN参数自动选取算法研究

在对PCNN的实际应用中,其模型参数的合理确定是一个难点。克隆选择算法作为一种新型的进化算法,凭借其优越的寻优特性,可以实现对目标参数的自动优化选取。本文提出一种基于克隆选择算法的PCNN模型参数自动设定方法,提高了PCNN模型的应用效率。通过将其应用于图像分割进行仿真实验,验证了该方案的正确性与可行性。     

基于免疫克隆选择算法的神经网络规则抽取

神经网络的不可解释性一直是限制其发展的固有缺陷,该文从神经网络的功能性观点出发,提出基于免疫克隆选择算法的神经网络规则抽取方法。将免疫克隆策略用于神经网络的规则抽取中,对已经训练好的神经网络隐层神经元输出值进行聚类,缩小搜索空间,抽取出理解性好、简洁的符号规则。该方法不依赖于具体的网络结构和训练算法,可以方便地应用于各种分类器型神经网络。实验结果表明该方法的实用性和可行性。     

基于模糊集的免疫克隆选择算法

分析了将人工免疫原理应用到入侵检测系统中存在的不足。为了克服传统的基于精确数学模型免疫算法的局限性，提出了一种基于模糊集理论的免疫克隆选择算法，引入了模糊集合和隶属度的概念，采用了一种动态的智能优化策略，有效地改善了检测元的特性，提高了检测元在复杂网络环境下的适应能力，从而增强了网络的安全性。分析了该算法能在一定程度上弥补反向选择算法的不足。     

基于模糊集的免疫克隆选择算法

分析了将人工免疫原理应用到入侵检测系统中存在的不足。为了克服传统的基于精确数学模型免疫算法的局限性,提出了一种基于模糊集理论的免疫克隆选择算法,引入了模糊集合和隶属度的概念,采用了一种动态的智能优化策略,有效地改善了检测元的特性,提高了检测元在复杂网络环境下的适应能力,从而增强了网络的安全性。分析了该算法能在一定程度上弥补反向选择算法的不足。     

神经网络的模糊规则提取

神经网络的“黑箱问题”为该技术的广泛应用带来了一定限制,由于神经网络在一定条件下可与模糊系统相互转换,从神经网络中提取模糊规则为“黑箱问题”的解决提供了有效手段。本文在阐述基本概念的同时,分析了把连续值网络转化为二值网络和从神经网络到模糊系统的转换进行模糊规则提取的两类方法,通过解决Iris问题的实验结果比较了两类方法的性能。     

基本模糊控制器控制规则的提取

0 引言 模糊控制系统是以模糊数学、模糊语言形式的知识表示和模糊逻辑的规则推理为基础,采用计算机控制技术的数字控制系统.其组成核心是具有智能型的模糊控制器.其方框图如图1所示.     

基于多类数据分类的改进克隆选择算法

针对传统的克隆选择算法(CSA)只依次单独针对某一类样本数据进行监督学习从而造成分类效率和精确度不高的问题,提出一种基于改进克隆选择算法的多类监督分类算法。算法通过进化学习可以同时获得多类样本数据的最佳聚类中心,进化过程中抗体适度值的计算综合考虑各类的类内相似性和类间差异性,从而保证得到的最佳聚类中心更具代表性。后续的分类实验中,分别利用常用的4组UCI数据和红树林多光谱TM遥感图像对算法进行验证,实验结果表明遥感图像的分类总精度达到92%,Kappa系数为0.91,UCI数据分类结果也较好,证明该算法是一种有效的多类数据分类算法。     

基于克隆选择算法的MANET簇化

以权值簇化算法——WCA为基础,利用人工免疫系统中的克隆选择算法来提高移动Ad-hoc网络的簇化性能,从而实现用尽可能少的全局优化簇头来管理尽可能多的簇成员,以保证MANET拓扑结构的相对稳定和合理。仿真结果表明,利用克隆选择算法优化后的WCA在簇的数量等许多方面均优于WCA算法。     

快速收敛的克隆选择算法

针对克隆选择算法抗体群多样性有限和容易早熟等问题,提出了快速收敛的克隆选择算法.引入新型克隆算子,维持了抗体间促进与抑制的平衡;为了跳出局部最优,结合云模型的特征,给出了云自适应变异算子,与抗体重组算子合作,有效地增加了抗体的多样性,进而增强了算法的全局和局部搜索能力.对标准测试函数进行了仿真实验,并与其它算法进行了比较,比较结果表明,该算法寻优精度高、鲁棒性好、收敛速度快、时间复杂度不高.     

面向多类别模式分类问题的新型阴性选择算法

针对阴性选择算法缺乏高效的分类器生成机制和“过拟合”抑制机制的缺陷,提出了一种面向多类别模式分类的阴性选择算法CS-NSA。通过引入克隆选择机制,根据分类器的分类效果和刺激度对其进行自适应学习;针对多类别模式分类的“过拟合”问题,引入了检测器集合的修剪机制,增强了检测器的分类推广能力。对比实验结果证明：与著名的人工免疫分类器AIRS相比,CS-NSA体现出更高的正确识别率。     

半监督免疫克隆选择图划分方法

在聚类过程中利用一定量先验信息会显著提高聚类算法的性能。为了解决求解图谱划分方法NP难的问题并合理地利用一定量的先验信息,将成对限制信息引入到图谱划分方法中样本点的相似性测度,并在获得的相应的相似性矩阵的基础上,利用免疫克隆选择优化方法来优化图谱划分准则,提出了半监督免疫克隆选择图划分方法。USPS手写体数字集和UMIST人脸数据集识别的仿真实验证明了新方法的有效性。     

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。     

Extracting fuzzy classification rules from partially labeled data

The interpretability and flexibility of fuzzy if-then rules make them a popular basis for classifiers. It is common to extract them from a database of examples. However, the data available in many practical applications are often unlabeled, and must be labeled manually by the user or by expensive analyses. The idea of semi-supervised learning is to use as much labeled data as available and try to additionally exploit the information in the unlabeled data. In this paper we describe an approach to learn fuzzy classification rules from partially labeled datasets.     

改进克隆选择算法的收敛性分析

为了完善克隆选择算法(CSA),使算法理论上成熟,利用两个随机收敛性度量:完全收敛和均值收敛, 证明基于多类数据分类的改进克隆选择算法(Multi_CSA)满足收敛到全局最优解的充分条件,并以实验数据进行验证。从理论上证明了Multi_CSA满足收敛的充分条件,实验方面也表明该算法在经过一定的代数后会收敛。理论和实验上均表明:Multi_CSA是一个能在有限代内收敛的较为成熟算法。     

Multiobjective optimization using an immunodominance and clonal selection inspired algorithm

Based on the mechanisms of immunodominance and clonal selection theory, we propose a new multiobjective optimization algorithm, immune dominance clonal multiobjective algorithm （IDCMA）. IDCMA is unique in that its fitness values of current dominated individuals are assigned as the values of a custom distance measure, termed as Ab-Ab affinity, between the dominated individuals and one of the nondominated individuals found so far. According to the values of Ab-Ab affinity, all dominated individuals （antibodies） are divided into two kinds, subdominant antibodies and cryptic antibodies. Moreover, local search only applies to the subdominant antibodies, while the cryptic antibodies are redundant and have no function during local search, but they can become subdominant （active） antibodies during the subsequent evolution. Furthermore, a new immune operation, clonal proliferation is provided to enhance local search. Using the clonal proliferation operation, IDCMA reproduces individuals and selects their improved maturated progenies after local search, so single individuals can exploit their surrounding space effectively and the newcomers yield a broader exploration of the search space. The performance comparison of IDCMA with MISA, NSGA-Ⅱ, SPEA, PAES, NSGA, VEGA, NPGA, and HLGA in solving six well-known multiobjective function optimization problems and nine multiobjective 0/1 knapsack problems shows that IDCMA has a good performance in converging to approximate Pareto-optimal fronts with a good distribution.     

改进克隆选择算法的层叠滤波器的优化设计

层叠滤波器优化设计的核心是正布尔函数最优化的问题.为了提高优化速度并对层叠滤波器进行全局优化设计,提出了一种改进的克隆选择算法.该算法引入多克隆算子和记忆单元及保留群体同时进化的思想.多克隆算子中的个体克隆规模根据个体的亲和度浓度自适应变化;重组操作在父代记忆个体与子代变异后的记忆个体之间展开,避免了近亲繁殖;保留群体的变异保证了群体的多样性.实验结果证明,该算法优化的层叠滤波器能在较短的时间内得到较好的滤波结果.