采用正交免疫克隆粒子群算法求解SAT问题

根据Kennedy和Eberhart提出的二进制粒子群算法,基于抗体克隆选择理论提出一种求解合取范式可满足问题的粒子群算法——正交免疫克隆粒子群算法．该算法将合取范式可满足问题转换为求解目标函数最小值的优化问题,为提高收敛速度,根据子句的先验知识计算出个体的初始指派概率对种群进行初始化．为了避免算法早熟收敛,提高粒子群个体解分布的均匀性,将离散正交交叉算子用于免疫基因操作中,并给出适应于求解合取范式可满足问题的免疫粒子群进化算子．实验采用标准SATLIB库中变量个数从20~250的3700个不同规模的标准合取范式可满足问题对正交免疫克隆粒子群算法的性能作了全面的测试,并与标准粒子群算法和免疫克隆选择算法进行了比较．结果表明,正交免疫克隆粒子群算法的成功率在3个算法中最高,运行时间和评价次数最少．     

结合评估函数和Boosting的特征选择方法

特征降维是文本分类中的重要环节．在对常用的特征选择方法分析研究的基础上,提出一种将评估函数和Boosting算法相结合的特征选择方法,该算法采用基于Boosting算法的汉明损失作为最终特征子集的评估准则,进一步寻找具有关键作用的特征项,进而形成最终用于分类的特征子集．数据集上的实验结果表明,该方法有效地改善了分类性能．     

用于非监督特征选择的免疫克隆多目标优化算法

提出一种基于免疫克隆多目标优化算法的特征选择方法,先将非监督特征选择问题归结为多目标优化问题,然后构造相应的问题模型和目标函数．最后,采用免疫克隆多目标优化算法,通过增加相关特征的显著性,减小不相关特征的显著性来实现每个特征显著性的优化,达到特征选择的目的．UCI数据集的仿真实验表明,该算法降低了错误识别率,验证了其在非监督特征选择中的应用潜力．     

面向物联网的分布式均分Lasso算法

作为一种基于一范式的特征选择方法,Lasso算法具有能够准确、迅速且稳定地选择出重要变量的特性.在面对物联网的数据集时,可以通过这一算法进行特征选择降低分类算法的计算消耗.分布式均分Lasso算法是一种结合Hadoop分布式计算与均分Lasso算法的融合算法,通过对特征集的拆分、对特征子集的并行化特征选择以及矩阵运算的并行化来提高算法运算效率,解决传统Lasso算法在高维度数据集以及小样本数据集上遇到的问题.通过对比实验可知这一算法的可行性、准确性与效率.     

免疫算法及其应用研究进展

阐述了免疫算法的基本概念,对几种传统的典型算法进行了讨论,包括基于群体的免疫算法(否定选择算法、克隆选择算法)和基于网络的免疫算法、免疫遗传算法等;同时引入并分析了几种新型算法模型:免疫策略算法、模糊AIS(artificialimmune system)和危险模型等.最后在克隆选择原理的基础上,提出了一种改进的并行免疫进化算法框架,并对算法机理和运行流程进行了描述,对其应用领域进行了探讨.     

井下人员搜救定位免疫并行分布式融合算法

将并行性、分布式和数据融合引入到基本的人工免疫算法中,提出了并行免疫分布式融合算法,优化了克隆选择和交叉变异算子.详细分析了并行分布式融合算法的过程,并在分析了井下人员搜救定位系统后,将该算法应用到系统中.通过实验验证了算法的可行性,同时与基本免疫算法作了对比实验,验证了该算法的高效性.     

基于离散优化算法和机器学习的传感云入侵检测

针对传感云的大规模高维度数据和多变性入侵行为,在雾计算模式下提出了一种基于并行离散优化特征提取和机器学习方法特性的传感云入侵检测算法。首先,为有效降低数据维度和提高特征提取过程的鲁棒性,在定义最优特征评价指标的基础上构建并行离散优化特征提取框架,理论分析表明:该指标能最大限度去除特征冗余度和保持原始数据多样性。其次,设计了具有普遍意义的离散优化算法(DOA),结合工程优化问题特点给出DOA实现流程,并证明了DOA具有全局收敛性,在此基础上使用DOA对特征提取框架进行求解,通过并行特征子集筛选过程实现了最佳特征组合提取。最后,利用最佳特征子集和机器学习中的分布模糊聚类技术对传感云入侵行为进行检测,通过引入智能迭代进化思想和自适应聚类策略,在有效避免模糊聚类算法易陷入局部最优缺陷的同时实现了聚类个数自动划分。实验结果表明:该入侵检测算法能有效给出入侵检测结果,而且相比于其他检测算法,该算法异常检测成功率和漏检率明显改善,且具有较强抗噪能力。     

改进的离散PSO和SVM的特征基因选择算法

针对现有的基于粒子群的特征基因选择算法易于陷入局部最优的问题,提出了一种改进的离散粒子群和支持向量机的特征基因选择算法IDPSO-SVM.该算法首先预选一些与分类强相关的基因组成特征基因备选集合,然后基于此集合采用PSO进行寻优搜索,并应用SVM对选出的特征子集的分类能力进行评估,最后得出最优特征子集.该算法加入了一种可以有效克服粒子群在寻优过程中陷入局部最优的机制,因而可以不断探测到新的最优解.该算法在结肠癌与前列腺癌数据集上的分类精度分别达到了96.8%与99.0%,从而证明了其有效性与可行性.     

改进的K-means融合微粒群优化的基因选择方法

为了解决基因选择困难问题,提出一种基于改进的K-means算法融合微粒群优化(IKPSO)的基因选择方法。该方法首先运用过滤法(Relief)对基因进行筛选,选择出对分类贡献大的基因构成备选基因子集;然后,利用改进的K-means算法将备选基因子集划分为一定数目的簇,并运用微粒群(PSO)对每一类簇进行搜索选择出相应类簇中的最优和次优基因构成最优特征基因子集;最后,训练支持向量机(SVM),并利用其分类的性能来评价获得的最优特征基因子集的质量。在两个典型的、公开的小样本的高维微阵列数据集上进行的实验,结果表明该IKPSO算法总体分类性能相对较好,并且与传统方法相比,IK-PSO分类性能得到显著的提高,证明了IK-PSO的可行性以及有效性。     

一种基于条件熵的特征选择算法

特征选择是一种处理维数约简的有效方法。以条件熵为特征子集评价条件,采用随机搜索和启发式搜索相结合的搜索策略,设计了一种新的特征选择方法。该方法不仅能够求得经典启发式特征选择方法的选到特征子集,还可以得到一些与其不同的满足条件特征子集,同时在多数情况下可以减少时间消耗。实验研究表明了提出的算法的有效性。     

基于免疫离散粒子群算法的调度属性选择

为了解决制造系统状态描述的问题,需要从众多的属性中择优选择合适的属性集合,以便降低属性的冗余度,减少计算量.提出了用免疫离散粒子群算法进行属性选择的方法,给出了属性选择的粒子表达、适应度函数的定义以及免疫机制.通过仿真实验给出了描述制造系统状态的入选属性集合,并进行了对比实验,将待选属性集合、入选属性集合和落选属性集合作为支持向量机的输入,来比较3种情况下分类的准确性和验证属性选择的有效性.实验结果表明,经过选择后的属性集合分类准确性大大高于另外两种情况,从而实现对制造系统状态的有效识别,为在不同的状态下采取合适的调度规则 建立了基础.     

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.     

A bidirectional feature selection method based on mutual information and redundancy-synergy coefficient

Featuresubsetselection(FSS)istoselectrele vantfeaturesandcastawayirrelevantandredundantfeaturesfromtheoriginalfeaturesetaccordingtoaFSSmeasure[1].IfafeaturesubsetsatisfiestheFSSmeas ureandhastheminimumsize,itisconsideredapartoftheoptimalfeaturesubset.Comp…     

Feature subset selection method for AdaBoost training

The feature-selection problem in training AdaBoost classifiers is addressed in this paper.A working feature subset is generated by adopting a novel feature subset selection method based on the partial least square(PLS)regression,and then trained and selected from this feature subset in Boosting.The experiments show that the proposed PLS-based feature-selection method outperforms the current feature ranking method and the random sampling method.     

基于改进克隆选择算法的蛋白质关联图预测

针对蛋白质关联图预测问题,提出一种克隆选择算法与蛋白质折叠规律相结合的预测方法,综合使用蛋白质序列疏水性质、残基的二级结构倾向、关联图总点数等信息,构造了基于限制规则的克隆选择算法适应度函数,设计了符合关联图生物学特性的变异操作。算法不需要使用额外蛋白质作为训练集,不需要从现有蛋白质数据库中提取模板,因此不受现有蛋白质结构数据的局限,可以由序列信息直接进行预测。对200个非同源蛋白质的测试验证了算法的有效性。     

多产品克隆选择算法在间歇过程调度中的应用

针对传统处理多产品多步骤多设备零等待的间歇过程调度方法(MMMSZ)只适用于求解小型问题的这一特点,构建了多产品克隆选择算法(MCSA).该算法从生产计划出发,生成较优的生产方案和各种全产品批次,并以全产品批次作为抗体,调用改进的克隆选择算法进行优化,其适用面宽,搜索空间大,能有效地处理约束,适用于规模不很大的问题.对于大规模问题,可基于周期调度策略,开发大规模多产品克隆选择算法(LMCSA),以克服维数灾难.将它们用于2个间歇调度示例,实验结果表明,2种算法能在合理的时间内给出较优解,综合性能良好.     

A novel immune genetic algorithm based on quasi secondary response

Combining the advantages of a genetic algorithm and an artificial immune system,a novel genetic algorithm named immune genetic algorithm based on quasi secondary response(IGA-QSR)is proposed.IGA-QSR employs a database to simulate the standard secondary response and the quasi secondary response.Elitist strategy,automatic extinction,clonal propagation,diversity guarantee,and selection based on comprehensive fitness are also used in the process of IGA-QSR.Theoretical analysis,numerical examples of three benchmark mathematical optimization problems and a traveling salesman problem all demonstrate that IGA-QSR is more effective not only on convergence speed but also on convergence probability than a simple genetic algorithm with the elitist strategy(SGA-ES).Besides,IGA-QSR allows the designers to stop and restart the optimization process freely without losing the best results that have already been obtained.These properties make IGA-QSR be a feasible,effective and robust search algorithm for complex engineering problems.     

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。