未知环境中基于免疫网络的多机器人自主协作

为了实现机器人全自主的协同作业，利用单个agent的智能性以及免疫系统良好的工作机理，将人
工免疫系统与agent技术相结合，提出一种免疫agent模型（IAN）.在模型中机器人和环境被分别认为是
抗体和抗原,并且基于此模型设计了一种可应用于未知环境中的多机器人自主协作方法，多个异质机器人
自主协作完成在未知环境中的多个任务.算法中根据抗体和抗原、抗体和抗体之间的相互作用，系统自主
选择合适的抗体消灭抗原，同时充分考虑异质机器人的差异性和独特性.在仿真实验中，多个能力不同的
机器人通过协作将几个原先未知的箱子顺利地推到了目标点，实现了未知环境中的自主协作.     

多峰值函数优化问题的免疫遗传算法求解

生物免疫系统在遭受未知抗原攻击时,能通过基因的重组和变异,找到合适的抗体消灭抗原,并且能保持抗体的多样性。把生物免疫系统的这种特性加入到免疫遗传算法中能解决其迭代后期出现的退化现象。针对注射过疫苗的生物免疫系统能够很快识别抗原这一特性,对传统免疫遗传算法进行改进,提出一种改进的免疫遗传算法(IIGA),并用其求解经典的Benchmark多峰值函数,实验结果表明IIGA能够有效抑制免疫遗传算法的退化现象,并提高算法的收敛速度。     

免疫算法在火电机组优化组合中的应用

为克服传统优化算法和遗传算法无法快速有效得到全局最优解的问题,提出了应用免疫算法进行机组组合优化.目标函数对应于免疫算法的抗原,优化解对应于免疫算法中的抗体,通过适应度来评价抗体与抗原的结合程度,与抗原结合最好的抗体就是问题的最优解.对机组运行状态的持续时间进行抗体编码,改善了算法的收敛性.经实例验证表明,优化免疫算法具有良好的搜索性能,是解决机组优化组合问题的有效方法.     

一种基于免疫遗传的TSP求解方法

为了更有效的求解旅行商问题(TSP),利用遗传算法与免疫算法各自的特点以及二者的共性提出了一种新的优化方法——免疫遗传算法,在本算法中采用抗体浓度调节机制并引入能量函数来求解TSP问题。给出了求解TSP问题的抗体、抗原、抗体浓度以及能量函数的数学表示,描述了该算法求解TSP的具体实现过程。仿真实验结果表明该方法在解决同类问题时比传统人工神经网络、遗传算法以及单一免疫算法取得了更短路径和更快的收敛。     

融合免疫机制的协同进化模型

针对传统进化算法在计算效能方面存在的一些问题,借鉴协同进化算法的思想,提出了一种融合免疫机制的协同进化模型。该模型通过多个子种群各自分别进化以保持整个种群的多样性。在每次迭代进化过程中,各个子种群分别选择精英抗体并进行免疫记忆。随后各个子种群分别以不同的算法进行变异。若变异后抗体的适应度降低,则利用精英抗体对其进行引导操作。群体间的协作包括子种群间若干个抗体的随机交叉和子种群间的大规模迁移。最终进行免疫代谢,去除群中的弱适应度个体。算法反复迭代进行以上操作,直至达到既定目标或预定的循环迭代次数。通过对13个标准测试函数进行的仿真实验显示,该模型在搜索最优解或满意解时均优于传统的进化算法,同时在寻优效率上有较大的提升。     

免疫遗传算法及其在电力系统EELD中的应用

电力系统EELD问题是一个满足一定约束条件的多目标优化问题,利用基于进化策略的免疫遗传算法对这一问题求解.将发电燃料成本和污染控制成本视为抗原,各电力生产单元发电量的最优解视为抗体,以一个含有5个电力生产单元的燃煤电力系统模型为对象,给出利用免疫遗传算法解决这一问题的主要方法和步骤.并与基于遗传算法和Hopfield神经网络方法进行比较分析.结果证明此算法可以优化分配电力系统中各电力单元发电量,达到环境经济合理配置.     

疫苗算法及其在车辆故障检测中的应用

根据免疫学原理提出了一种适合于故障诊断的算法--疫苗算法.当出现未知抗原时提取系统内记忆的此类抗原特征并对其进行分析，再将此人工抗原输入到系统中刺激系统并产生相应的抗体，当此抗原再次出现时作出免疫应答.论述了抗体和抗原结构的数学模型以及抗体数据的产生机理.运用此算法开发了具有边检测边学习功能的检测系统，能够充分捕捉反映被测车辆状态的信号特征.将此算法应用于汽车驱动桥的故障检测中，准确率达到95％.工程应用表明，此算法在小样本获取、连续学习、数据压缩等方面具有明显的优越性和有效性.     

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.     

一种与遗传算法类似的人工免疫算法

借鉴生物免疫系统的分布性、自适应性等特点，提出了一种类似遗传算法的人工免疫算法，并用一个实例对这种人工免疫算法的各个步骤进行了详细描述。通过仿真与遗传算法对比分析，该方法具有以下优点：一是能有效地克服随机漫游现象；二是采用浓度调节机制控制抗体克隆概率，能维持抗体多样性；三是能对类似抗原入侵产生迅速高效的二次免疫应答。     

改进免疫算法在电力系统有功优化中的应用

免疫算法(ImmuneAlgorithm,IA)是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法,它具有抗原识别、记忆、抗体的抑制和促进等显著特点,能实现精确控制群体多样性和特异性。IA 将目标函数和约束条件比作抗原,将问题的解比作抗体。通过亲和度的计算来评价抗体并促进或抑制抗体的产生,减小了进化过程陷入局部最优解的可能性;通过抗原记忆,提高了局部搜索能力,加快了计算速度。将 IA 用于 IEEE30节点系统的有功最优潮流计算,并与传统牛顿算法的计算结果进行了比较,结果表明 IA 能够以更快的速度得到最优解。     

求解非满载车辆调度问题的免疫遗传算法

非满载车辆调度问题是车辆调度问题中的一个基本问题,由于它是一个典型的NP难题,传统方法的求解结果往往不能令人满意.曾有研究将传统的遗传算法用于求解非满载车辆调度问题,但是由于遗传算法在遗传后期的波动现象,导致了迭代次数过大和准确率不高.该实验根据生物免疫系统的机理提出的免疫遗传算法,结合了遗传算法的进化操作和生物免疫中的浓度机制,通过抗体的期望繁殖率实现对抗体的促进和抑制,改善未成熟收敛.该算法是在传统遗传算法全局随机搜索的基础上,借鉴生物免疫机制中抗体的多样性保持策略,改善了传统遗传算法的群体多样性,通过与遗传算法的比较,结果表明,该算法不仅收敛,而且具有更好的全局和局部搜索能力和收敛速度.     

免疫克隆优化聚类技术

将人工免疫系统中的克隆选择优化应用于无监督分类与识别问题,提出了一种新的免疫克隆聚类算法.该算法利用克隆算子能够同时在同一父代抗体周围的多个方向进行全局或局部搜索,促使种群中抗体快速进化,从而在特征空间内快速获得聚类问题的全局最优聚类中心,有效克服了经典聚类算法易陷入局部极值的缺点,并从理论上证明了该算法具有全局收敛性．对7个人工数据集的聚类实验和两幅纹理图像的分割实验表明:新算法比常用的K均值算法的平均分类精度高20.9％,比另一种基于遗传算法的聚类方法的平均分类精度高20.3％．     

Distance Concentration-Based Artificial Immune Algorithm

The diversity, adaptation and memory of biological immune system attract much attention of researchers.Several optimal algorithms based on immune system have also been proposed up to now. The distance concentration-based artificial immune algorithm (DCAIA) is proposed to overcome defects of the classical artificial immune algorithm (CAIA) in this paper. Compared with genetic algorithm (GA) and CAIA, DCAIA is good for solving the problem of precocity, holding the diversity of antibody, and enhancing convergence rate.     

改进免疫克隆选择算法在VRP中的应用

针对在求解车辆路径问题(VRP)中免疫克隆选择算法收敛速度慢,遗传算法易陷入局部最优解的缺点,对抗体亲和力求解方法做了改进.提出了基于亲和力排序的抗体相似性矩阵的概念,并将其应用于抗体抑制策略,进而设计出改进免疫克隆选择算法.仿真结果表明该算法比遗传算法求的解的质量更高,收敛速度比免疫克隆选择算法快.     

求解多峰函数优化问题的免疫量子进化算法

提出了一种求解多峰函数优化问题的免疫量子进化算法, 该算法依据小生境机制将量子表达的初始 种群划分为子群组, 再对每个子群组利用免疫特性的局域搜索能力包括抗体的克隆选择、记忆细胞产生、免疫细胞 交叉变异、抗体的促进与抑制等进化机制, 找出局域最优解。最终算法可保持所有优化解。算法综合了量子计算的 天然并行性和免疫算法的充分自适应性, 它比传统的进化算法具有更好的种群多样性, 更快的收敛速度, 更有效的 全局和局域寻优能力;证明了算法的收敛性, 最后通过仿真实验表明了该算法的优越性。     

求解TSP问题的抗体克隆优化算法

为解决传统求解TSP问题(Traveling Salesman Problem)的方法所固有的组合爆炸问题,提出了一种新的基于MHC(Major Histocompatibility Complex,主要组织相容性复合体)的抗体克隆优化算法(Antibody Clone Optimization Algorithm inspired by MHC,COAMHC).该算法应用MHC分子单倍型特性将优秀抗体基因保存为MHC串,并通过疫苗接种遗传至子代以增强其局部搜索能力;应用MHC分子多态性并通过基因突变以及随机引入新抗体基因来提高抗体群多样性,以增强其全局搜索能力.通过TSP问题的仿真实验表明,该算法在收敛速度、和求解精度方面比经典克隆选择算法CLONALG性能更好.     

免疫遗传算法的现状和展望

介绍了基本遗传算法和免疫遗传算法,重点分析了免疫系统对遗传算法的改进。结合混沌搜索的思想提高了算法运算的效率,并对免疫遗传算法的研究方向做出展望。     

人工免疫网络的改进及其在免疫神经控制中的应用

针对人工免疫网络(AIN)搜索能力不强的问题,通过引入新生抗体的进化环节,用遗传算子代替克隆变异作为主要的搜索手段,增强了网络的搜索能力.改进网络被用于免疫神经控制中抽取控制经验,形成知识库,并指导遗传算法在线搜索.仿真结果表明,改进后人工免疫网络的搜索能力得到较大提高;通过引入经验指导,能加快遗传算法的收敛速度,进一步增强了免疫神经控制的实时性.     

多模态函数优化的免疫算法

模拟抗体搜索机制,结合免疫网络理论,提出一种新的优化算法.该算法用抗体表示函数优化解的可能模式,通过构造克隆选择算子完成全局和局部最优解的搜索,利用B细胞网络保持多种抗体并存.典型函数优化测试结果表明,该算法能够较好地实现全局最优解和局部最优解的同步搜索和保持,具有较强的多模态函数优化能力.     

Optimization of S-surface controller for autonomous underwater vehicle with immune-genetic algorithm

To deduce error and fussy work of manual adjustment of parameters for an S-surface controller in underwater vehicle motion control, the immune-genetic optimization of S-surface controller of an underwater vehicle was proposed. The ability of producing various antibodies for the immune algorithm, the self-adjustment of antibody density, and the antigen immune memory were used to realize the rapid convergence of S-surface controller parameters. It avoided loitering near the local peak value. Deduction of the S-surface controller was given. General process of the immune-genetic algorithm was described and immune-genetic optimization of S-surface controller parameters was discussed. Definitive results were obtained from many simulation experiments and lake experiments, which indicate that the algorithm can get good effect in optimizing the nonlinear motion controller parameters of an underwater vehicle.