免疫遗传算法及其在波阻抗反演中的应用*

提出一种改进的免疫遗传算法（IGA）并用于波阻抗反演。IGA设计了基于抗体激励度和抗体浓度的免疫选择算子及加速全局收敛的非一致性变异算子,提出了抗体规模自适应调整机制,IGA能够改善传统非线性反演方法易早熟和局部收敛等弊端。通过理论模型试算表明,IGA具有较高的反演精度和反演效率;阳泉二矿实际资料反演所得剖面的纵向分辨率明显高于实际地震剖面,弱反射波的连续性和可检测性明显提高,表明改进的免疫遗传算法适用于煤炭地震波阻抗反演。     

量子微粒群在波阻抗反演中的应用

求解的局部性和计算速度慢是目前非线性波阻抗反演存在的主要缺陷。在与微粒群算法进行比较的基础上,研究了量子微粒群反演算法。数值实验结果表明,与微粒群反演相比,量子微粒群波阻抗反演在收敛速度和避免陷入局部极小等方面有着一定的优势,适合于非线性反演问题,该方法也适用于其他领域非线性最优化问题的求解,具有较强的普适性。     

混合编码遗传算法及其在非线性反演中的应用

遗传算法中编码机制对交换和变异的搜索能力有重要影响。本文分析了二进制与十进制编码的搜索特点,提出了混合编码遗传算法的技术构想,并结合大变异技术,有效地提高搜索及产生有效基因物质的能力。论文结合地球物理反演问题的非线性特点,应用混合编码遗传算法求解地球物理位场反演问题,取得了良好的效果。     

遗传算法在反演颗粒粒径分布中的应用

为了提高颗粒粒径测量的抗噪性,提出了一种基于遗传算法的颗粒粒径分布反演问题的解决方法。基于Mie散射理论,建立了颗粒粒径测量模型,用所设粒径分布对应的光强分布与实测光强的差值作为目标函数,采用非均匀变异算子提高了算法的局部搜索能力。对数学模型进行Matlab编程,利用遗传算法使目标函数达到极小值,然后得到对应粒径范围的概率,从而得以确定颗粒粒径分布。数值模拟仿真结果表明,相比传统的反演算法,该算法具有更好的抗噪性。     

免疫遗传算法的改进及其在模糊控制中的应用研究

本文对免疫遗传算法加以改进后，应用于多变量模糊控制器的模糊规则提取．研究结果表明：改进后免疫遗传算法既能有效克服用遗传算法筛选模糊规则造成的早熟现象，又能充分利用现有经验，对学习过程进行适当引导，加快收敛速度．     

免疫遗传算法的研究及其在函数优化中的应用

本文提出的免疫遗传算法引入了免疫记忆环节和抗体浓度调节环节,它能很好的保证抗体的多样性,避免陷入局部极小和出现早熟收敛现象。通过对多峰值函数优化的研究,结果表明,本文所提出的算法具有较好的优化效果。     

DNA免疫遗传算法及其应用

在研究T-S模糊RBF神经网络的基础上,提出了一种基于DNA生物机理和结构的免疫遗传算法,用于优化设计T-S模糊RBF神经网络的规则后件参数。该方法采用基于抗体浓度的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。应用于延迟焦化汽油干点的软测量建模,实例仿真结果表明DNA免疫遗传算法在T-S模糊神经网络系统的优化设计中是有效的,可获得较高精度的模型。     

免疫遗传算法在图像分割中的应用

提出一种基于免疫系统的免疫记忆特性所改进的遗传算法。该算法方面在传统的遗传算法的初始种群中,加入了根据先验知识制成的疫苗,从而大大提高了算法的收敛速度;另一方面,对遗传算子中的选择算子也进行了改进,吸取了免疫系统中的克隆选择的优点,并且根据细胞的亲和力进行变异,进而提高了图像分割的速度。     

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。     

免疫遗传算法在色谱解析中的应用

利用生物的免疫机制改进遗传算法，并采用了数值交叉算子和非一致变异算子。     

结合免疫功能的遗传算法及其在技能模糊控制中的应用

技能模糊控制系统的自动化是模糊控制范畴的一个重要研究方向，其意义在于这种控制普遍存在于生产过程和人类的日常生活中．但是，如何依靠运动参数而不是运动或行为规则来进行控制，这个课题一直未能很好的解决．本文提出利用基于免疫机制的遗传算法进行隶属度函数的学习，同时简化运动方程，并通过实例验证了该方法的有效性．     

改进免疫遗传算法及其应用研究

在传统遗传算法基础上提出一种改进遗传算法--免疫遗传算法(IGA),该算法将生物系统免疫思想引入遗传算法中,通过计算抗体之间的亲和度来促进和抑制抗体,既保留了群体中较优抗体又保证了抗体多样性,避免搜索进化的过早收敛,得到全局最优解.文中采用此改进算法来控制无源光中光分支器和光网络单元中位置分配选择,通过浓度因子控制解空间的搜索方向,帮助逃离局部极值.利用Visual C 6.0对改进的免疫遗传算法和传统遗传算法进行比较,证明IGA的有效性和优越性.     

并行混合免疫遗传算法及其应用

以并行遗传算法(PGA)为基础,对其早熟、收敛慢等缺陷加以改进,提出一种并行混合免疫遗传算法(PHIGA)。该算法将免疫原理引入到遗传算法中,提高了算法的整体性能。这主要表现在一方面免疫选择可有效地防止早熟,另一方面基于免疫记忆的子群体信息交换策略可加速收敛。算法采用混沌初始化和基于自适应交叉、变异的多种群搜索,与单纯形法的混合可更好地改善其局部搜索性能。文中布局问题的算例验证了该算法的可行性和有效性。     

改进免疫遗传算法及其应用研究

在传统遗传算法基础上提出一种改进遗传算法——免疫遗传算法（IGA）,该算法将生物系统免疫思想引入遗传算法中,通过计算抗体之间的亲和度来促进和抑制抗体,既保留了群体中较优抗体又保证了抗体多样性,避免搜索进化的过早收敛,得到全局最优解。文中采用此改进算法来控制无源光中光分支器和光网络单元中位置分配选择,通过浓度因子控制解空间的搜索方向,帮助逃离局部极值。利用Visual C＋＋6．0对改进的免疫遗传算法和传统遗传算法进行比较,证明IGA的有效性和优越性。     

免疫遗传算法在系统可靠性最优分配中的应用

分析了免疫遗传算法的原理,并将免疫遗传算法应用于复杂系统可靠性最优分配,同时将其仿真计算结果与模拟退火算法、遗传算法仿真结果进行了比较,证明了免疫遗传算法求解该类问题更有效。     

遗传算法及其在数据挖掘中的应用

遗传算法是一种模拟生物进化过程的自适应全局优化算法,是解决现代非线性优化问题的一种重要方法。作为一种全局优化算法,遗传算法很适合于数据挖掘工作。在介绍遗传算法的基本原理和特点的基础上,对遗传算法在数据挖掘中的应用问题作了一些初步的探讨,最后给出一个应用遗传算法进行数据挖掘的具体实例。     

基于免疫更新机制的遗传算法及其在规划问题中的应用

受生物体免疫系统抗体更新机制的启发，将抗体更新机制引入遗传算法，从而保证抗体遗传子的多样性，有效地防止了遗传操作中的早期收敛。对遗传子进行分段编码以对应多道染色体，进而克服了传统遗传算法只能对二值染色体进行操作的缺陷。应用实例证明了该方法的有效性。     

改进的免疫克隆遗传算法研究及其在函数优化中的应用

针对免疫克隆遗传算法存在着"早熟"和局部搜索能力弱的问题,提出了一种改进方法.该方法用一位修正算子来改进后期局部搜索方面的不足,并对免疫克隆遗传算法的各个算子进行了改进.实验表明,新的改进算法在搜索效率和搜索能力上都有着显著的提高.     

一种新的免疫遗传算法及其应用

为了克服基本遗传算法存在的缺点和不足,将免疫系统中抗体多样性的维持机制引入遗传算法,同时兼顾个体多样性和提高种群中个体适应度的水平,提出了基于相似性矢量距为选择概率的免疫遗传算法,并给出了此类概率选择的一般表示形式.为了防止基于相似性矢量距为选择概率的免疫遗传算法在优化过程中出现退化现象,通过在算法中引入免疫疫苗的方式,对该算法进一步加以改进.从每一代保优抗体中提取有效信息,进而得到一种新的疫苗提取方法.基于所提出的改进免疫遗传算法,提出了改进的编码方案.对20个城市的TSP问题进行研究,通过不同参数的比较,得出了算法中相关参数的取值范围.比较了6种算法的收敛速度,进一步证实了所提出算法具有良好的收敛性.