基于免疫原理的多目标进化算法群体多样性研究

在多目标进化系统中一个关键问题是必须采取某一措施来保持群体多样性.本文将自然生命的免疫机制引入多目标进化过程,提出一种基于免疫原理的多目标进化算法群体多样性保持策略,并给出了具体设计方法.最后以两个目标的流水车间作业调度问题为例进行计算机模拟求解,将本文方法与"多目标遗传算法"的计算结果进行了对比,实验表明该方法能有效保持群体多样性,多目标优化结果的性能较好.     

基于免疫算法的车辆路径优化问题

分析了车辆路径问题的研究方法和免疫算法相对于其它进化算法的优势,提出了用免疫算法求解车辆路径问题的方法。在算法的求解过程中,构造了一种新的编码方式,在减少编码长度的基础上能够提高算法的运行效率。通过免疫记忆库的设计以及抗体之间浓度的促进和抑制机制,本算法可以实现解的多样性,避免收敛于局部最优解,同时可以有效地防止在进化的过程中失去最优解的可能性。实验结果表明,本算法可以快速求得优化解,是求解车辆路径问题的一种有效算法。     

采用生物信息机制的量子免疫克隆算法

随机变异会导致多克隆策略的基因进化的无序性, 进而降低免疫克隆算法的效率. 为解决此问题, 文中设计了一种采用生物信息机制的量子免疫算法. 这种算法将量子理论引入多克隆策略的变异过程以提高基因操作效率, 同时采用一种生物信息机制来提高信息交互能力, 加速抗体进化速度. 从理论上证明该算法的收敛性. 仿真试验结果表明, 该基因操作方式能较大地提高免疫克隆算法的优化能力. 与传统的量子免疫克隆算法、其它高级免疫克隆算法和进化算法相比, 该算法具有较好的搜索能力和稳定性.     

用Coop＆compEA解决三维装箱问题

三维装箱问题是一类典型的NP-complete问题。该文通过一种新协同进化算法Coop&compEA与一组启发式规则相结合,给出一类典型装箱问题的求解策略。在该求解策略中,利用Coop&compEA算法将种群层的竞争通过反馈引入个体层的合作进化过程,既优化了合作进化的求解质量,又融入了竞争带来的快速收敛效果;此外补充了更加恰当的装箱启发规则。实验结果显示,这样的求解策略无论是进化速度还是求解效果都优于之前的传统GA方法和CCGA方法。     

用于约束优化的人工免疫响应进化策略

基于克隆选择学说及生物免疫响应过程的相关机理,探讨一种新的人工免疫系统模型--人工免疫响应,提出用于解决约束优化问题的人工免疫响应进化策略;基于算法网络拓扑结构的分析表明,新算法比传统的进化策略(μ,λ)-ES具有更大的收敛概率.对10个标准测试问题的测试结果表明,与采用随机排序的进化策略和采用动态惩罚函数的进化策略相比,新算法在收敛速度和求解精度上均具有一定的优势.     

混合差分变异策略

为了改善差分进化算法的求解性能,提出一种新的混合差分变异策略．该策略将种群中的每一个个体视作带电粒子,利用粒子所带的电荷量以及粒子之间的吸引排斥机制确定个体移动方向和位移大小．该策略会使个体在其他3个个体施加于它的力的方向上自适应地移动．数值实验表明基于该策略的差分进化算法求解精度高、评估次数少．     

PFSP 问题的混和CHIO算法优化

在冠状病毒群体免疫优化算法基础上进行了改进形成了一种求解置换流水车间调度问题的混合算法. 在群体免疫进化阶段使用了动态改变扩展速率的策略平衡了算法探索能力与开发能力, 在重生阶段后增加基于差分进化的交叉阶段以增强最优解的挖掘能力; 采用基于最小位置值的方式实现置换流水车间调度问题解的编码与解码. 以最小化最大完工时间为求解目标, 在21个Reeves测试实例上进行了实验, 实验结果表明了提出算法在求解置换流水车间调度问题上的有效性.     

求解多目标优化问题的分级变异量子进化算法

分析量子进化算法和免疫算子的特点,提出一种分级变异的量子进化算法,用于求解多目标优化问题,算法主要基于两个策略:首先,利用快速非受控排序和密度距离计算种群抗原-抗体的亲和度;然后,基于亲和度排序将个体进行分级,最优分级中的个体作为算法中的最优个体,大部分实施量子旋转更新和免疫操作,而剩余分级中的个体实施免疫交叉操作以获得新的个体补充种群,求解多目标0/1背包问题的实验结果表明了该算法的有效性.     

一种基于免疫原理求解TSP问题的模型

基于人工免疫原理,建立了一个基于免疫机制求解TSP问题的数学模型。在该模型中,定义了TSP问题中的抗原和抗体,描述了记忆细胞动态进化过程,并借鉴遗传算法中基因变异思想,提出了优势基因进化的GFE算法,结合生物免疫系统抗体浓度稳定原理,在克隆选择过程中实现了抗体集合的进化计算,快速有效地求解出问题的全局近似最优解。实验结果表明该算法对解决组合优化问题不仅可行,而且有较快的收敛速度和较强的全局搜索能力。     

遗传算法的进化策略的改进

遗传算法一般采用逐代进化的策略 ,这种进化方式容易导致早熟现象 ,提出了“世纪进化”和“用户终止进化”策略 ,在一定的程度下可以提高遗传算法的求解效率。     

基于自适应免疫进化算法的逻辑电路设计*

针对现有进化算法在进行逻辑电路设计时存在的进化缓慢和容易陷入局部解等问题,提出一种自适应免疫进化算法（adaptive immune evolutionary algorithm,AIEA）。该算法引入了免疫记忆机制和抗体差异调节算子,能够很好地保证个体的多样性,有利于跳出局部最优解;通过采用自适应交叉率和变异率,提高了算法的搜索能力和收敛速度。通过与多目标进化算法（MOEA）、简单免疫算法（SIA）的实验比较,证明了该自适应免疫进化算法的有效性。     

基于免疫量子进化算法的负载均衡策略

在集群系统任务调度和分配中，提出一种基于免疫量子进化算法的负载均衡策略。该策略采用量子化编码和量子进化操作优化任务分配，在量子陷入局部极值下，引入免疫操作进行接种疫苗和免疫选择，从而增加种群多样性。仿真结果表明，与SGALB策略相比，该策略具有更高的搜索效率，其集群系统的整体性能更优。     

A novel multi-objective immune algorithm with a decomposition-based clonal selection

In recent years, a number of multi-objective immune algorithms (MOIAs) have been proposed as inspired by the information processing in biologic immune system. Since most MOIAs encourage to search around some boundary and less-crowded areas using the clonal selection principle, they have been validated to show the effectiveness on tackling various kinds of multi-objective optimization problems (MOPs). The crowding distance metric is often used in MOIAs as a diversity metric to reflect the status of population’s diversity, which is employed to clone less-crowded individuals for evolution. However, this kind of cloning may encounter some difficulties when tackling some complicated MOPs (e.g., the UF problems with variable linkages). To alleviate the above difficulties, a novel MOIA with a decomposition-based clonal selection strategy (MOIA-DCSS) is proposed in this paper. Each individual is associated to one subproblem using the decomposition approach and then the performance enhancement on each subproblem can be easily quantified. Then, a novel decomposition-based clonal selection strategy is designed to clone the solutions with the larger improvements for the subproblems, which encourages to search around these subproblems. Moreover, differential evolution is employed in MOIA-DCSS to strength the exploration ability and also to improve the population’s diversity. To evaluate the performance of MOIA-DCSS, twenty-eight test problems are used with the complicated Pareto-optimal sets and fronts. The experimental results validate the superiority of MOIA-DCSS over four state-of-the-art multi-objective algorithms (i.e., NSLS, MOEA/D-M2M, MOEA/D-DRA and MOEA/DD) and three competitive MOIAs (i.e., NNIA, HEIA, and AIMA).     

多样性监控的免疫微粒群算法

标准微粒群算法的种群多样性随进化变差是造成陷于局部最优的主要原因,本文提出了一种多样性监控的免疫微粒群算法.利用多样性函数对种群的多样性进行监控,并在多样性下降到一定程度时,引入免疫机制中的克隆选择算子和免疫记忆特性来对粒子进行更新,从而有效地克服了微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点.用经典benchmark测试函数对算法进行仿真实验,实验结果表明该算法比标准微粒群算法有着更好的收敛性能.     

Evolutionary virus immune strategy for temporal networks based on community vitality

Preventing viruses spreading in networks is a hot topic. Existing immune strategies are mainly designed for static networks, which become ineffective for temporal networks. In this paper, we propose an evolutionary virus immune strategy for temporal networks, which takes into account the community evolution. First, we define a new metric, community vitality (CV), to quantize the evolution characteristics of communities. Second, based on the community vitality, we propose an immune strategy which selects an optimized number of initial nodes according to node influence (NI). Third, a theoretical analysis is proposed to measure the immune effect of the evolutionary immune strategy. Compared with the random immunization, the targeted immunization and the acquaintance immune strategy, we show that the proposed strategy has a much larger coverage, i.e., more nodes will have immune ability given the same number of initial immune nodes.     

采用生物信息克隆的免疫算法

受克隆选择过程生物学原理的启发, 提出了一种采用生物信息克隆的免疫算法. 抗体克隆依赖于一个动态平衡的网络, 并与遗传因素相关. 为了解决传统克隆过程中信息不能充分利用的问题, 该进化算法将环境信息、抗体历史信息以及抗体遗传特征积累的影响引入人工免疫系统, 用这多种信息作为先验知识为克隆过程提供决策支持, 引导抗体系统的更新. 同时采用实数与二进制混合编码方式增加种群多样性, 提高收敛速度, 然后分析了该算法的收敛性. 仿真实验结果表明, 该克隆策略能较大的提高免疫克隆算法的优化能力; 与几种高级免疫克隆算法和进化算法相比, 该算法寻优精度高, 收敛速度快, 能有效的克服早熟现象, 并具有很好的高维优化能力.     

Immune clonal algorithm based on directed evolution for multi-objective capacitated arc routing problem

The capacitated arc routing problem is playing an increasingly important role in our society, engendering increasing attention from the research community. Among the various models, multi-objective capacitated arc routing problem comes much closer to real-world problems. Therefore, this paper proposes an immune clonal algorithm based on directed evolution to solve this problem. Firstly, the proposed algorithm adopts the framework of the immune clonal algorithm and expands the scale of the initial antibody population in the initialization process to increase the diversity of the antibodies. Secondly, the proposed algorithm is combined with a decomposition strategy in the operations of the immune gene. Antibodies are classified to perform the immune genetic operations, which helps the antibody populations to share the neighborhood information in a timely manner. Thirdly, the proposed algorithm applies a novel kind of comparison operator to build the total population, which helps it to evolve in the direction of a better population and improves the quality of the antibodies. Experimental results suggest that the proposed algorithm can generate better non-dominant solutions than several compared state-of-the-art algorithms, especially for large-scale sets.     

基于混合策略的双种群约束优化算法

提出一种基于混合策略的双种群约束优化算法.利用双种群存储机制处理约束条件,并采用约束支配更新不可行解集,同时采用混合策略进化种群:在进化前期利用Deb准则产生可行解,并保留一部分非劣不可行解参与进化,保持种群多样性;在进化后期让最优个体和次优个体参与进化,使种群快速收敛.仿真实验结果表明,所提出的算法在保证种群多样性的同时,能够较好地收敛到全局最优解,且鲁棒性较好.     

一种新的自适应免疫进化算法

根据生物免疫系统的免疫网络调节机理，提出了一种新的自适应免疫进化算法．该算法按照抗体激励水平进行选择操作；同时建立优秀抗体记忆库，并采用种群自适应调节策略，保持了进化抗体群的多样性．试验表明，该算法比标准遗传算法的收敛性能好，能有效避免遗传算法种群多样性保持能力不足和早收敛的缺点．     

基于模式记忆的免疫遗传算法

免疫遗传算法在传统遗传算法的全局随机搜索的基础上,借鉴生物免疫机制中的抗体的多样性,能有效提高群体的多样性,同时其具有记忆功能能够有效地提高搜索效率。但是在函数优化问题的解决上,免疫记忆功能一直没有能很好的实现。该文提出在免疫遗传算法中引入模式控制的方法来解决复杂函数优化的问题。基于免疫遗传机制,利用免疫记忆库记忆优秀免疫遗传模式,它能有效地加速优化过程,并且克服通常函数优化无缺乏记忆的功能。通过一个复杂函数的仿真实例证明了该方法的有效性。