人工免疫算法及其应用研究

为了有效地解决病态的约束优化问题,提出了一种模拟生物免疫系统自我调节功能的人工免疫算法,介绍了算法的基本步骤,构造了几种人工免疫算子,分析了算法的收敛性.人工免疫算法继承了遗传算法“优胜劣汰”的自我淘汰机制,但新抗体的产生方法比遗传算法中新个体的产生方法灵活得多.在进行抗体选择时若能确保当时的最优抗体可以进入下一代抗体群,则人工免疫算法是全局收敛的.100个城市TSP问题的仿真实例显示人工免疫算法比遗传算法具有更强的全局搜索能力和收敛速度.     

自适应克隆抑制人工免疫算法*

分析了传统的人工免疫算法在寻优过程中易陷入局部极值点或过早收敛的原因,对算法进行了改进,提出了一种自适应克隆抑制免疫算法。改进的算法在克隆下一代抗体时,同时考虑了抗体亲和度和浓度两个因素,并给出了一种自适应调节两者关系的算子,兼顾了收敛速度和后代抗体种群多样性两个方面。对改进后的算法进行了分析,给出了数学描述,以便于工程应用。最后,通过典型的算例对提出算法的有效性进行了验证,结果证明,改进后的算法在收敛速度和寻优性能方面均优于传统的人工免疫算法和标准遗传算法。     

改进人工免疫算法的分析研究

详细分析了人工免疫算法(AIA)基于信息熵计算抗体浓度存在的缺点,提出了三种新的浓度计算方法。分析了基于新的浓度计算方法的各种改进的人工免疫算法的收敛性。对两种变形大海捞针类函数的优化结果表明,改进的人工免疫算法较传统的人工免疫算法有较大的优越性。     

一种改进的静态克隆选择算法及其应用研究

建立了一个基于人工免疫原理的入侵检测系统模型，该模型融合了智能协议分析、克隆选择、人工免疫、遗传算法等多种智能技术，对其中的克隆选择算法进行了研究，对Forrest的静态克隆选择算法提出了改进方案。仿真实验表明，改进算法在性能上优于Forrest的静态克隆选择算法。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

群智能优化算法研究

群智能优化算法是一种新型的优化算法。该文介绍了几种常见的群智能优化算法,包括粒子群优化算法、蚁群优化算法、人工免疫算法、人工鱼群算法,分析了它们的优缺点及使用情况,提出了群智能优化算法的发展方向。     

人工免疫算法在故障诊断中的应用研究

该文对故障诊断方法、人工免疫系统及其算法的基础原理,以及各种类型的免疫算法进行了讨论,通过对人工免疫算法的研究分析,表明免疫算发在故障诊断领域中有着独特的优势,讨论了构造人工免疫算大在故障诊断中的关键问题,为实际应用系统的开发提供了理论指导。     

网络多播路由优化与仿真研究

研究网络多播路由优化问题,由于网络数据流要求实时性和准确性,而网络多播路由是一个多约束条件的复杂问题,传统优化算法对其进行求解耗时长,效率低,难以找到最优路由.为了快速找到最优多播路由,提出了一种人工免疫-蚂蚁算法的多播路由优化方法.人工免疫-蚂蚁算法首先将多播路由的目标函数和约束条件作为抗原,目标函数的优化解作为抗体,通过人工免疫算法生成蚁群算法的初始信息素分布,以多播路由解的收敛方向,然后利用蚁群算法产生和更新抗体求得多播路由优化解.仿真结果表明,相对于其它优化算法,人工免疫-蚂蚁算法该算法的多播路由优化效率更高,能快速、有效地找到多约束条件的最优多播路由.     

一种人工免疫算法优化的高有效性模糊聚类图像分割

针对传统模糊聚类初值敏感、易陷入局部最优的缺陷,将具有良好勘探和开采能力的人工免疫算法用于模糊聚类的优化并提出了相应的图像分割算法.利用改进的Hausdorff距离提出一种新的抗体浓度评价算子并定义了相应的免疫算子,简化了免疫操作,增强了算法自适应寻优能力.采用最近提出的一种有效性函数作为聚类适应度函数,以人工免疫算法寻优,从而自适应地确定聚类数日与中心,实现自动图像分割.仿真实验表明,该算法可以实现图像的自动高有效性分割.     

人工免疫系统中反向选择算法的改进

将人工免疫系统运用到入侵检测系统中,近年来已经有了一定的发展。在这个领域中,如何培育出符合需求的免疫细胞,使能够较多地识别非我并较少地识别自我,尽可能地覆盖NONSELF空间,这就是如何培育更好的识别器的问题。反向选择算法是识别器的传统构造算法,该文针对反向选择算法的伪肯定率过高的问题,提出了改进算法,在入侵检测系统中达到的效果更好。     

一种新的混合免疫算法

免疫算法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。文章针对目前人工免疫算法在收敛于全局最优方面存在的缺陷,提出了一种模拟退火免疫算法,引入Boltzmann退火选择算子,利用模拟退火算法可选择性接受恶化解的特点克服传统免疫算法的缺陷,并通过实验证明了该混合免疫算法的优越性能。     

人工免疫算法在Flow-shop问题中的应用

文章针对Flow-shop问题提出了一种模拟生物免疫系统的人工免疫算法(AIA),并与模拟生物进化过程的遗传算法(GA)进行了比较,给出了AIA的具体步骤。仿真实验表明:AIA求解Flow-shop是有效的。     

Pickup and delivery problem using metaheuristics techniques

Dial-a-ride problem (DARP) is an optimization problem which deals with the minimization of the cost of the provided service where the customers are provided a door-to-door service based on their requests. This optimization model presented in earlier studies, is considered in this study. Due to the non-linear nature of the objective function the traditional optimization methods are plagued with the problem of converging to a local minima. To overcome this pitfall we use metaheuristics namely Simulated Annealing (SA), Particle Swarm Optimization (PSO), Genetic Algorithm (GA) and Artificial Immune System (AIS). From the results obtained, we conclude that Artificial Immune System method effectively tackles this optimization problem by providing us with optimal solutions.     

一种改进拉丁方抽样免疫遗传算法*

针对遗传算法求解问题中保持群体多样性能力不足、早熟、耗时长以及求解成功率低等缺点,依据拉丁方抽样方法对遗传算法中的交叉算子进行重新设计;结合免疫机理定义染色体浓度、设计克隆选择策略,提出了一种改进拉丁方抽样免疫遗传算法。利用旅行商问题以及最大子团问题为实例对新算法进行了验证,实验结果表明新算法在解的质量、收敛速度等各项指标上均好于经典遗传算法和佳点集遗传算法,说明了新算法的优越性与可行性。     

环境空气SO2和NO2浓度的GA_ANN预测模型研究

空气中污染物浓度的预测是一个复杂的非线性问题。国内外的研究表明神经网络能够比回归模型更好地预报空气污染物。设计并实现了将用于选择最优预报因子的遗传算法和神经网络算法相结合的GA_ANN空气质量预测模型,利用某市2003~2006年的数据建立神经网络空气质量预测模型,对该市2007年全年SO₂和NO₂的预测实验表明,GA_ANN模型比单纯的神经网络模型具有更高的预报精度。     

蚁群算法在需水预测模型参数优化中的应用

为了解决投影寻踪（PP）需水预测模型的高维、非正态、非线性参数优化问题,提高需水预测的精度,尝试用基于网格划分的自适应连续域蚁群算法(ACA)在不同拟合和预测时长内对模型参数进行优化组合,并运用该模型进行年需水量预测。基于改进蚁群算法的投影寻踪需水预测模型参数优化进行了实例仿真。对基于改进蚁群算法的预测精度与基于人工免疫算法（AIA）和BP神经网络的模型(BPANN)参数优化结果分别进行了比较,实验结果表明：1）这三种算法的拟合精度相对误差绝对值分别小于2%、10%和10%;2）预测精度相对误差绝对值分别小于6%、11%和12%;3）改进蚁群算法能收敛到全局最优解,收敛速度较快。因此,改进蚁群算法的投影寻踪需水预测结果明显优于人工免疫算法和BP神经网络。该方法可推广到其他类似的高维非线性问题上。     

基于IGA-SVM的发酵过程建模及优化控制

利用免疫遗传算法（IGA,Immune Genetic Algorithm）的全局搜索功能和支持向量机（SVM,Support Vector Machine）泛化能力强的特点,选择合适的状态变量,对发酵过程建立动态时变模型。利用该模型和算法对一些不能在线测量的生化状态变量进行在线预估,并对一些关键的操作变量进行了优化。通过对谷氨酸发酵过程的实际应用,验证了该方法的有效性。     

基于免疫遗传算法的Web服务组合方法

针对Web服务组合提出一种免疫遗传算法(IGA)。该算法将免疫原理引入遗传算法(GA)中,提高算法的整体特性。主要表现在免疫选择可有效地防止早熟,基于免疫记忆的子群体信息交换策略可加速收敛。GA在Web服务选择上存在不足,而IGA可以在备选的Web服务中进行有效的选择并最终组成Web服务组合,提高服务组合的质量和收敛速度。仿真实验结果表明IGA比GA更有效。