一种改进型多模态免疫优化算法的研究

基于克隆选择原理,引入混沌机制和小生境技术,提出了一种新的人工免疫算法--改进型克隆选择算法(ICSA).该算法设计了一种自适应混沌变异算子,有效地避免了搜索的盲目性,提高了算法的收敛速度.利用随机过程鞅理论,分析了算法所形成抗体种群的平均适应度鞅的性质,并且当种群为有限状态时,证明了该算法能以概率1确保在有限步内收敛到全局最优解.对多模态函数优化的仿真实验表明,该算法能有效地抑制早熟,具有更好的全局收敛性.     

基于文化克隆选择算法的梯级水电站联合优化调度

为求解梯级水电站联合优化调度问题,提出文化克隆选择算法（CCSA）。CCSA将克隆选择算法（CSA）嵌入文化算法（CA）框架,并根据克隆选择算法的特点,重新定义了文化算法信念空间的4种知识结构,进而利用这些知识结构指导克隆选择算法的演化过程,避免了高频变异对收敛速度的不利影响,从而提高了算法的收敛速度和搜索效率。函数仿真测试结果表明CCSA在继承CSA多样性好、不易早熟特点的基础上,收敛速度也有进一步提高。将CCSA应用于梯级水电站联合优化调度问题的求解,取得满意效果,为求解该问题提供了一种新的可行方法。

Abstract：

A novel optimization approach-cultured clone select algorithm （CCSA） was proposed to solve optimal dispatch problem of cascade hydroelectric stations.CCSA used cultural algorithm （CA） as its framework and clone select algorithm （CSA） in its population space.Considering the characteristics of CSA,CCSA redefined four knowledge structures in belief space and used these structures to guide the evolution process of CSA.By doing this,CCSA abated the adverse affect caused by high-frequency to convergence rate,thus it converged faster without destroying diversity.CCSA is first tested by several test functions,it is found that CCSA can avoid premature convergence effectively and has fast convergence rate.Then CCSA is applied to an optimal dispatch problem of cascade hydroelectric stations,the results show that it is effective and can be an alternative for this problem.     

双混沌神经网络及其在优化问题中的应用

分析了三种现有的混沌神经网络模型的优化性能,针对目前混沌神经网络收敛率不高和搜索时间较长的问题提出了一种双混沌神经网络。它不同于以往的混沌神经网络改进方法,不是延长退火时间或改变混沌程度来提高网络性能,而是通过混沌迭代搜索使混沌神经网络在有限步内找到全局最优解的初值来提高收敛率与收敛速度。这种方法能使混沌神经网络在应用中具有更好的全局优化能力,并且可以缩短混沌神经网络的搜索时间,对旅行商问题求解的仿真对比和函数优化问题的仿真,说明了新方法比现有方法具有更好的收敛率和更短的搜索时间。     

基于免疫克隆选择算法的多用户检测技术研究

为了解决最佳检测器计算复杂度较高的难题，提出一种精简有效的克隆选择算法。把人工免疫系统和神经网络系统的信息处理机制引入到CSA提出了免疫克隆选择算法。所提ICSA通过使用随机Hopfield神经网络制备疫苗构成新的免疫算子，把新的免疫算子结合到克隆选择算法中，不仅加快了克隆选择算法的收敛速度，并提高了克隆选择算法的全局收敛能力。然后在CDMA系统利用此算法设计了新的多用户检测器。仿真结果证明了ICSA检测器能够快速收敛到全局最优解，并且无论抗多址干扰和抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器。     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

基于免疫网络调节机理的混沌超变异免疫算法

根据生物免疫系统中存在的免疫网络调节机理,提出了一种实数编码的混沌超变异免疫算法,该算法结合克隆选择原理和混沌理论建立新的混沌超变异操作,增强了算法局部搜索能力.同时基于免疫网络数学模型设计抗体的激励水平,并以此作为抗体群免疫网络调节的依据,保持了抗体群的多样性.最后将其应用于函数优化问题,结果表明该算法的收敛性能优于克隆选择算法,而且能够有效克服早收敛问题.     

具有混沌搜索策略的萤火虫优化算法

萤火虫算法是一种新颖的仿生群智能优化算法,分析了算法的仿生原理和局限,提出一种改进萤火虫局部搜索能力的优化算法。通过逻辑自映射函数产生混沌序列,引入到萤火虫算法中对精英个体进行混沌优化,同时动态收缩搜索空间以加快收敛速度。改进算法有效结合了基本萤火虫算法的局部搜索能力和混沌算法全局优化能力,对典型函数的仿真测试表明,改进算法显著提高了优化性能,在收敛速度和寻优精度方面优于基本萤火虫算法,适合复杂函数优化问题。     

一种基于蜂王交配的求解复杂问题的演化算法

在对传统演化算法分析的基础上,提出了一种基于蜂王交配的求解复杂优化问题的演化算法(QMSGA).它的特点在于:模拟自然界中蜂王的交配方法,并引入均匀杂交和平均矢量偏差变异因子策略来达到种群分布的多样性,最终求出复杂优化问题的全局最优解.实验结果表明,对于求解复杂的多峰优化、陡峭函数优化等问题,该算法比传统的演化算法具有更好的精确度和收敛速度.     

混合粒子群算法在柔性工作车间调度中的应用

混沌是一种新颖的优化技术,具有随机性、遍历性的特点和易跳出局部极值的能力。为了提高粒子群优化算法(PSO)的性能,在PSO中引入混沌,优势互补,提出了一种混合PSO算法,并应用于柔性工作车间调度问题的求解。首先基于混沌对PSO的参数进行自适应优化,实现全局搜索与局部搜索间的有效平衡;然后,在PSO的搜索过程中引入混沌局部搜索策略,来提高解的精度和收敛速度。实验比较结果验证了该算法的全局搜索性能。     

具有混沌搜索策略的蝙蝠优化算法及性能仿真

蝙蝠算法是受自然界中的蝙蝠通过回声定位进行搜寻、捕食行为的启发演变而来的一种新颖的仿生群智能优化算法.在分析基本算法仿生原理和局限性的基础上,提出一种改进蝙蝠局部搜索能力的优化算法,通过逻辑自映射函数产生混沌序列,引入到蝙蝠算法中对精英个体进行混沌优化,同时动态收缩搜索空间以加快收敛速度.改进算法有效结合了基本蝙蝠算法的全局优化能力和混沌算法的局部搜索能力,对经典函数的仿真测试表明,改进算法显著提高了优化性能,在寻优精度和全局收敛能力方面优于基本蝙蝠算法,是解决工程应用中复杂函数优化问题的一种有效方法.     

求解多峰函数优化的小生境克隆选择算法

分析了传统的用于多峰函数优化问题的小生境遗传算法的特点和不足,基于免疫系统中的克隆选择原理,运用记忆算子、抑制算子和重组算子等技术对克隆选择算法进行了改造,并引入一种新的小生境技术,提出了一种解决多峰函数优化问题的小生境克隆选择算法。最后,实现了该算法对单无人作战飞机（unmanned combat air vehicle, UCAV)多航路规划这类多峰函数优化问题的优化仿真,结果表明该算法简单有效。     

资源受限多项目选择计划模型及其免疫优化决策方案

针对资源受限多项目选择计划问题探讨其数学模型,利用改进的克隆选择算法对其进行求解.算法设计中,利用启发式规则生成初始抗体群;利用变异算子改善进化群体的质量和增强进化群体的多样性;在群体更新中,基于启发式规则,插入新的成员微调进化群体的多样性.数值实验结果说明了模型设计的合理性,以及改进的克隆选择算法的有效性,获得了所建模型的较好决策方案.     

复杂灾害情景下应急资源配置的随机规划模型

提出基于区域灾害系统理论来构建复杂灾害情景, 用于描述突发事件的复杂性和高度不确定性. 基于复杂灾害情景建立了一个两阶段随机规划模型, 进行应急设施的定位决策、应急物资的库存决策和不同灾害情景下应急物资分配预案的制定. 使用新的编码方式, 将第一阶段的选址-库存模型转化为一个无约束非线性优化模型, 使用自适应免疫克隆选择文化算法进行求解. 对于第二阶段的应急物资分配模型, 则提出了"势能抵消算法". 最后基于四川地震带的相关数据给出了算例, 验证了模型及算法的有效性与可行性.     

区域反导目标分配模型优化分析

区域反导目标分配是多资源约束,按照一定分配准则循环分配的过程.分析了区域反导目标分配流程与准则,构建综合拦截概率和作战效费比的目标分配模型,并给出了该目标分配模型转化为基本0-1规划问题的方法;针对该多约束目标分配优化模型对高寻优、强实时求解算法的需求,结合生物免疫过程,引入改进的克隆选择算子、云自适应变异算子、抗体重组算子、精英抗体保存算子,提出快速收敛的克隆选择算法.仿真结果表明该算法尤其解决大规模区域反导目标分配问题时不失为较为理想的优化算法.     

量子协同免疫算法用于SAT问题的求解

根据协同策略和量子免疫计算理论,提出一种求解SAT问题的量子协同免疫算法。该算法在将SAT问题转化为函数优化问题的基础上,采用多个子种群。分别采用量子比特编码来表达个体,采用通用的量子旋转门策略演化个体,采用量子交叉操作阻止早熟收敛;各种群独立演化,同时引入量子协同理论,采用协同算子使得算法的搜索效率更高。实验采用标准SATLAB库中的3 700个不同规模的问题对算法进行测试,并与简单克隆选择算法、量子遗传算法、量子免疫克隆选择算法进行比较。结果表明,量子协同免疫算法的平均成功率最高,平均运行时间和平均评价次数最少。     

基于GA与CSA-RBF神经网络辨识的自适应PID控制器

提出了一种基于遗传算法(GA)、克隆选择算法(csA)和神经网络的自适应PID控制器的设计方法.该控制器主要由四部分组成:一是利用遗传算法优化PID参数初始值;二是用克隆选择算法对径向基函数(RBF)神经网络参数初始值优化;三是RBF神经网络完成对被控对象Jacobian信息辨识;四是单神经元PID控制器,学习并在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能.仿真结果表明,该控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程.     

一种基于改进的免疫克隆选择的优化方法

通过在克隆选择过程中引入聚类竞争机制,提出了一种免疫聚类竞争的克隆选择算法.采用了抗体聚类、竞争扩增、克隆删除、体细胞高频变异、抗体循环补充等思想及相关算子操作,增强聚类族中的优秀个体获得克隆扩增实现亲和力成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡.实验仿真及应用结果表明:该算法具有可靠的全局收敛性及较快的收敛速度,将其应用于冶金过程目标优化中取得较好的效果.     

天基预警调度方法研究

作为一种复杂多传感器跟踪任务, 天基预警过程可视作一种多维离散时间序列监控与预测问题. 预警任务具有高实时性、动态性、高低轨配合、多星协作等特点, 因而调度模型需能够优化利用预警资源完成有效预警. 本文从实际问题出发, 主要阐述两项工作: 第一, 提出基于信息增益的多目标优化预警调度模型, 第二, 阐述免疫克隆选择算法, 并给出一种分布式并行调度求解方法, 以改善调度算法的收敛速度和鲁棒性, 解决实际需要. 最后, 通过基于HLA的仿真系统, 以美国SBIRS为背景, 验证了本文调度模型和算法的有效性.