基于梯度优化的自适应小生境遗传算法

针对基本遗传算法全局搜索能力差和收敛速度慢,且在求解多峰函数时仅能得到部分最优解的缺点,提出一种基于梯度优化的自适应小生境算法。该算法利用当前种群适应度和种群代数来设计交叉算子和变异算子,有效地保持了种群的多样性,改善全局搜索能力,加快了收敛速度,应用改进的梯度优化算子保证进化向最优解方向靠近,提高了计算峰值的精确度。对Shubert函数的仿真试验证明,该算法能改善全局搜索能力,加快算法收敛速度并提高计算精度。     

动态惯性权重向量和维变异的粒子群优化算法

分析了含维变异算子的粒子群优化算法全局搜索能力与收敛速度的矛盾,提出了动态惯性权重向量和维变异的改进粒子群优化算法。算法首先定义了维多样性的概念,根据维多样性的情况动态地调整惯性权重向量,并对维多样性最差的维进行变异。4个典型测试函数的仿真实验说明该算法具有更强的全局搜索能力和更快的收敛速度。     

免疫克隆粒子群优化算法在水面舰船图像分割中的应用

介绍了一种免疫克隆粒子群优化(IC PSO)算法来进行函数优化,目的在于克服基本粒子群优化(PSO)算法容易陷入局部极值的不足,从而实现全局搜索.通过免疫克隆原理的应用,根据亲和度的高低进行粒子克隆选择、淘汰和高频变异,提高了种群的多样性,增强了算法全局搜索的能力,提高了收敛速度和精度.实验结果表明,该算法完成全局搜...     

一种动态学习对象的粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度低等问题,基于群体多样性反馈的思想,提出一种动态学习对象的粒子群优化算法.该算法采用群体多样性动态控制粒子的学习对象,减缓群体多样性的丧失速度,有利于群体的全局寻优.对3种典型多峰函数的仿真结果表明,该算法可以有效避免早熟问题,具有较好的全局寻优能力.     

基于变异的Bayesian优化算法

将变异算子与Bayesian优化算法相结合，提出了一种基于变异的Bayesian优化算法。在算法中设计了一个种群多样性函数，通过此函数引入变异算子，目的是利用变异算子的邻域搜索能力，保持种群多样性，将贝叶斯概率模型提取的全局信息与变异算子的局部信息联系起来，避免陷入局部最优。仿真研究表明基于变异的Bayesian优化算法的寻优能力比Bayesian优化算法更强。     

基于全局粒子群的协作型人工免疫网络优化算法

提出协作型人工免疫网络模型(CoAIN),实现基于全局粒子群的协作型人工免疫网络优化算法(gpsoCoAIN).算法中新增的全局粒子群协作算子使其人工免疫网络中的记忆细胞具有粒子的特性,能够通过个体间协作共享寻优经验.此外,改进的可变步长的克隆选择过程更适应高精度搜索.函数优化实验表明,gpso-CoAIN算法在寻优能力及执行速度方面都优于其它算法.对gpso-CoAIN人工免疫网络的动态特征分析表明,该算法的记忆细胞多样性良好.     

混合柯西变异和均匀分布的蝗虫优化算法

由于位置更新公式存在局部开发能力较强而全局探索能力较弱的缺陷,导致蝗虫优化算法(GOA)易陷入局部最优以及早熟收敛,对此,提出一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA).受柯西算子和粒子群算法的启发,提出具有分段思想的位置更新方式以增加种群多样性,增强全局探索能力;将柯西变异算子与反向学习策略相融合,对最优位置即目标值进行变异更新,提高算法跳出局部最优的能力;为了更好地平衡全局探索与局部开发,将均匀分布函数引入非线性控制参数c,构建新的随机调整策略.通过对12个基准函数和CEC2014函数进行仿真实验以及Wilcoxon秩和检验的方法来评估改进算法的寻优能力,实验结果表明,HCUGOA算法在收敛精度和收敛速度等方面都得到极大的改进.     

基于免疫分裂算子的粒子群优化算法

针对粒子群优化(particle swarm optimization,PSO)易收敛于局部最优的缺点,提出了一种基于免疫分裂算子的PSO.该算法在初始化时,运用正交的思想,使得粒子分布均匀;在进化时,提出了一种基于速度与位置的亲和度,当粒子相似度满足要求时,才对粒子进行免疫变换,并且变异操作只针对性能较差的粒子.这样在保证粒子多样性的基础上减少了运算量提高了收敛速度.在Matlab环境下对Rosenbrock函数、Rastrigrin函数、Gdewank函数3个多峰函数进行了仿真验证,实验结果表明,改进的PSO算法能够有效地达到全局最优.     

免疫粒子群优化算法及应用

针对一般免疫算法收敛速度慢的缺点,提出一种免疫粒子群优化算法,算法保留了基于抗体生存期望值的多样性保持策略,同样采用了交叉和变异产生新的抗体,在此基础上引入了粒子群优化的思想,采用粒子群优化的办法,使抗体在更新的过程中只跟踪全局极值,使其进化具有明确的方向性.采用免疫粒了群优化算法对典碰的多峰函数进行优化,仿真结果表明了方法的有效性,并通过与一般免疫算法进行比较,表明方法能够加快一般免疫算法的收敛速度,具有更好的优化性能.     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

异构环境下独立任务分配问题的免疫遗传算法

针对异构环境下独立任务分配问题，提出了一种免疫遗传算法，为抑制早熟停滞现象，基于免疫原理，为遗传算法定义了染色体浓度，采用免疫变异算子来维持种群的多样性，采用接种疫苗算子来提高算法的求精能力，使算法在空间探索和局部求精间取得了很好的平衡，仿真结果表明．遗传算法能够很好地应用于求解任务分配问题，基于免疫原理的优化算子能够有效地提高遗传算法的搜索效率、优化搜索结果．     

一种新的免疫算法及其在多模态函数优化中的应用

提取免疫应答的部分简化机制并结合小生境技术,提出一种用于多峰值或非连续函数优化的免疫算法.该算法由记忆细胞获取、克隆选择、亲和突变及群体更新这四种算子模块构成.这些算子的有机组合不仅为最优化问题的解决提供了实用新方法,而且反映了抗体应答抗原的简化运行机制.算法设计的重点是借鉴小生境共享实现方法的思想建立有助于增强群体多样性及保留优良抗体的记忆细胞获取算子,以及利用亲和成熟机理设计抗体突变算子.所获算法具有整体和局部搜索能力及并行搜索特点.理论证明了其收敛性.仿真事例比较表明此算法不仅是有效的,而且能快速搜索到多个最优解(针对于多解最优化问题).     

一类具有精英学习能力的增强型人工免疫网络优化算法

提出了一种用于求解优化问题的具有精英学习能力的增强型人工免疫网络(Enhanced aiNet–EL)算法. 该算法集成了亲和力学习和精英学习, 改进了免疫进化的克隆、变异和抑制算子. 通过对两个经典函数的优化实验,结果表明本文提出的Enhanced aiNet–EL算法在最优解质量和收敛速度上都要优于传统aiNet和EaiNet算法. 作为应用实例, 工业PID控制器被用于测试算法的优化性能. 实验所得的阶跃响应表明, 使用Enhanced aiNet-EL得到的系统性能要优于使用其他4种方法得到的系统     

基于免疫优势多克隆网络的异常检测

为实现无监督异常检测,提出一种用于网络数据训练学习的免疫优势多克隆网络聚类算法。根据抗体抗原亲合度,通过免疫优势、克隆、交叉、非一致变异、禁忌克隆和克隆死亡等人工免疫系统算子,实现抗体网络的进化学习和自适应调节。以一个小规模的网络映射原始数据集的内在结构,利用基于凝聚的层次聚类方法对网络结构进行分析,从而获得描述正常和异常行为的数据特征。仿真结果表明,该算法适用于大规模、无标识数据的异常检测,并能检测出未知攻击。     

一种面向数据分析的新型人工免疫模型研究

提出了一种新型的人工免疫网络模型TSIN。通过应用包括克隆选择、基于合作的变异以及抗体抑制在内的免疫算子,抗体种群从单一的个体逐步分化繁殖成为有效的聚类。这些聚类既能够准确地表示原始数据集在形态空间中的分布特性,又能够较好地拟合局部分布形态,这些都为高维数据的分析提供了良好的基础。描述了TSIN学习算法的总体框架,详细分析了其中的关键环节。仿真实验表明,TSIN具有良好的数据分析能力,且较传统的自组织神经网络方法更能体现数据中蕴含的拓扑关系和分布特性。     

免疫协同微粒群进化算法的永磁同步电机多参数辨识模型方法

针对永磁同步电机多参数辨识问题,提出一种基于免疫协同微粒群进化(Immune co-evolution particle swarm optimization, ICPSO) 算 法的永磁同步电机(Permanent magnet synchronous motor, PMSM) 多参数辨识方法.算法由记忆种群与若干个普通种群构成, 在进化过程中普通种群中优秀个体进入记忆库种群.普通种群内部通过精英粒子 保留、免疫网络以及柯西变异等混合策略共同产生新个体,个体极值采用小波学习 加快收敛速度,免疫克隆选择算法对记忆库进行精细搜索,迁移机制实现了整个种群 的信息共享与协同进化.永磁同步电机参数辨识结果表明该方法不需要知道电 机设计参数先验知识,能够有效地辨识电机电阻、 dq轴电感与转子磁链,且能有效追踪该参数变化值.     

Artificial immune classifier with swarm learning

Artificial immune systems are computational systems inspired by the principles and processes of the natural immune system. The various applications of artificial immune systems have been used for pattern recognition and classification problems; however, these artificial immune systems have three major problems, which are growing of the memory cell population, eliminating of the useful memory cells in next the steps, and randomly using cloning and mutation operators. In this study, a new artificial immune classifier with swarm learning is proposed to solve these three problems. The proposed algorithm uses the swarm learning to evolve the antibody population. In each step, the antibodies that belong to the same class move to the same way according to their affinities. The size of the memory cell population does not grow during the training stage of the algorithm. Therefore, the method is faster than other artificial immune classifiers. The classifier was tested on two case studies. In the first case study, the algorithm was used to diagnose the faults of induction motors. In the second case study, five benchmark data sets were used to evaluate the performance of the algorithm. The results of second case studies show that the proposed method gives better results than two well-known artificial immune systems for real word data sets. The results were compared to other classification techniques, and the method is competitive to other classifiers.     

基于无约束优化和遗传算法的贝叶斯网络结构学习方法

基于无约束优化和遗传算法,提出一种学习贝叶斯网络结构的限制型遗传算法.首先构造一无约束优化问题,其最优解对应一个无向图.在无向图的基础上,产生遗传算法的初始种群,并使用遗传算法中的选择、交叉和变异算子学习得到最优贝叶斯网络结构.由于产生初始种群的空间是由一些最优贝叶斯网络结构的候选边构成,初始种群具有很好的性质.与直接使用遗传算法学习贝叶斯网络结构的效率相比,该方法的学习效率相对较高.     

Multi-objective evolutionary algorithm using problem-specific genetic operators for community detection in networks

Automatic network clustering is an important method for mining the meaningful communities of complex networks. Uncovered communities help to understand the potential system structure and functionality. Many algorithms that use multiple optimization criteria and optimize a population of solutions are difficult to apply to real systems because they suffer a long optimization process. In this paper, in order to accelerate the optimization process and to uncover multiple significant community structures more effectively, a multi-objective evolutionary algorithm is proposed and evaluated using problem-specific genetic mutation and group crossover, and problem-specific initialization. Since crossover operators mainly contribute to performance of genetic algorithms, more problem-specific group crossover operators are introduced and evaluated for intelligent evolution of population. The experiments on both artificial and real-world networks demonstrate that the proposed evolutionary algorithm with problem-specific genetic operations has effective performance on discovering the community structure of networks.

     

精英化岛屿种群引导的差分进化算法

针对差分进化算法常见的早熟收敛、搜索停滞和求解精度低的问题,研究一种精英化岛屿种群的差分进化算法（EIDE）。为了实现全局搜索与局部搜索能力并重,EIDE划分多个岛屿种群,根据迭代时的适应度情况,动态地将岛屿种群分类为精英岛屿和普通岛屿;针对精英岛屿,提出一种控制参数自适应方法,依据岛屿适应度情况,自适应地调整变异概率与交叉概率,同时算法利用增强局部搜索的变异策略,提高收敛速度与精度;针对普通岛屿,使用适合全局搜索的变异与交叉概率及变异策略,维护种群多样性。EIDE提出了一种可控的“移民”与“个体迁移”策略,控制优质基因流动,有效避免早熟收敛与搜索停滞问题。在9个benchmark函数上的测试结果表明,新算法具有较强的全局寻优能力与稳定性,且收敛速度较快。