基于正交设计的免疫克隆遗传算法

针对遗传算法存在"早熟"及局部搜索能力弱等问题,提出一种基于正交设计的免疫克隆遗传算法,将正交实验设计原理、免疫克隆理论以及标准遗传算法有效结合起来,增强算法的收敛速度和搜索精度.对算法进行了验证,表明该算法求解精度高出几个数量级,寻找到全局最优解的次数明显增加.     

一种考虑环境作用的协同免疫遗传算法

在综合考虑了环境对生物进化的影响、免疫算法的结构以及遗传算法部分算子的基础上,提出一种考虑环境作用的协同免疫遗传算法(ESIGA),以实现提高算法搜索速度和全局搜索能力的目标.在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了3个子种群协同进化以发挥克隆环境演化算子的影响,从而提高算法的全局搜索能力.引入的自适应探索算子和克隆环境演化算子,使算法具备了一定的学习能力,可加速搜索和防止早熟.构建的主种群和协同种群相互影响,使得算法对环境具有改良能力,加强了克隆环境演化算子的性能,而精英种群则加强了算法在优质个体邻域的搜索能力.采用13个常用无约束优化问题测试函数对算法做了检验,测试数据表明:ESIGA算法与正交遗传算法相比,其搜索速度要快于正交遗传算法1～2倍,并能够处理1 000维的高维优化问题.     

基于免疫算法的天线方向图综合研究

给出了一种基于高斯变异与自适应克隆规模控制相结合的免疫算法的天线方向图综合方法．该算法利用免疫算法的分散式和独立式的搜索方式，克服了遗传算法局部收敛和对初始群体依赖等缺陷；同时自适应的克隆算子和变异算子克服了搜索的盲目性，提高了算法的收敛速度．计算机仿真结果表明，提出的算法能够在方向图的指定区域生成多个零点，并且零陷均衡，相比遗传算法取得了更低的零深．     

基于定向突变的自适应并行免疫算法

针对克隆选择算法收敛速度较慢的问题,对算法策略进行研究,提出了一种基于定向突变的自适应并行免疫算法(APIA)。该算法采用自适应并行搜索策略,在记忆库中引入定向突变算子,增强算法的局部定向搜索能力,并改善算法早熟的问题。同时算法还改进了超变异算子,以提高其运行效率。仿真实验结果表明:该算法比克隆选择算法和传统的遗传算法有更好的寻优能力,有效地提高了收敛速度,缩短了搜索时间。     

改进免疫克隆算法的Job Shop调度

提出了基于种群协同进化的并行免疫克隆算法,将种群中个体的亲和度计算并行在多个计算节点上同时进行。引入免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了解集从可行域内部和不可行域边缘向着最优解逼近。采用了克隆增殖变异和交叉算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,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。从而保证了算法较强的收敛性以及搜索空间的多样性。利用标准问题库对算法进行测试,并分析算法参数对算法结果的影响,仿真结果表明,该算法对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和遗传算法等优化算法。     

基于免疫网络理论的动态超变异免疫算法

基于免疫网络理论,提出了一种动态超变异免疫算法,该算法通过采用新的超变异方法增强了算法在解域的搜索能力。同时根据抗体的激励水平进行免疫调节操作,保持了抗体群的多样性。最后根据随机过程的理论知识,证明了该算法的收敛性。仿真结果表明:该算法采用格雷编码时的性能优于用二进制编码实现的算法,与遗传算法和克隆选择算法相比,不仅收敛速度快,而且全局搜索能力强。     

基于自适应正交局部搜索算子的混合遗传算法

基于遗传算法的动态特性和正交设计的思想，提出了能根据当前进化的种群状态自适应调整局部搜索空间大小的正交局部搜索算子。对结合了自适应正交局部搜索算子的混合遗传算法进行了经典的多峰值测试函数的性能测试，结果表明，混合算法在获得的解的准确性和收敛速度上均优于标准遗传算法。     

考虑多资源约束的非等效并行机节能调度算法

针对瓶颈工序光刻过程中考虑能源消耗、多类型多数量的掩膜资源、换模等约束的非等效并行机调度问题,进行了改进型免疫克隆选择算法的调度方法研究.首先对问题域进行描述,以最小化总加权完成时间与能源消耗量为优化目标,建立了数学模型;在此基础上提出了一种带精英策略的多目标免疫克隆选择算法,该算法融合了非支配排序遗传算法的排序规则,并引入深度邻域搜索算子、种群更新算子以提高算法搜索性能及挖掘性能.最后,对算法进行仿真实验,结果表明该算法是有效的、可行的.     

约束差分免疫克隆算法及其在汽油调合优化中的应用

针对约束多目标优化问题,提出了一种新型的约束多目标优化算法。该算法采用了一种新型约束处理方式,先通过约束违反门限截取种群再依据约束与目标函数值针对不同情况实现对个体的优劣划分。本算法将差分进化与免疫克隆机制相融合,既利用了差分进化从全局角度进行搜索的特点,又利用了免疫克隆机制从优秀个体出发进行局部再寻优搜索的优点,扩大了算法搜索的广度与深度。测试结果表明该算法相比快速非支配排序遗传算法(NSGA-II)具有非常优秀的收敛性与分布性。将提出的算法应用于实际的汽油调合优化中,进一步验证了算法的有效性,可有效减少成本,提高产品质量。     

基于免疫克隆选择算法的特征选择

提出了一种基于免疫克隆选择算法的特征选择方法．特征选择可以被看成是一个组合优化问题,利用免疫克隆选择算法快速收敛于全局最优的特性,加快搜索到最优特征子集的速度,为后续模式分类提供良好的判别依据．实验结果表明算法在保持甚至提高分类精度的同时,有效地降低了特征维数．与基于遗传算法特征选择的结果相比较,在有限代数内,该算法能收敛到更优的特征子集,从而验证了算法的有效性及其应用潜力．     

(N+M)容错系统优化模型求解的父代保留免疫遗传算法

针对(N M)容错系统优化模型复杂非线性的特点,结合免疫遗传算法和父代保留策略,提出了模型求解的父代保留免疫遗传算法。该算法在进行交叉和变异操作后,新产生的个体不覆盖父代个体,扩展种群进行基于矢量距浓度机制的选择操作,这样可避免较优个体的损失,增强种群的多样性,提高算法的搜索能力及收敛性能。算法性能分析揭示了算法性能改善的机理。优化模型求解结果表明,该文提出的算法较免疫遗传算法在寻优精度和收敛速度方面有一定改善。     

基于LOMOGA的降阶H_∞控制器的设计

针对降阶H∞多目标控制器的设计问题,本文提出了基于局部正交多目标遗传算法(LOMOGA)的降阶H∞控制器的设计方法。该方法结合局部正交优化和改进多目标遗传算法,解决了多目标遗传算法局部搜索能力较差的问题,达到了对H∞控制器的结构和参数同时优化的效果,提高了降阶H∞控制器的动态性能和鲁棒性能。仿真结果表明,该方法不仅具有较强的全局和局部搜索效率,而且搜索结果具有较高的精度、更好的分布均匀性和多样性。     

利用改进的遗传算法求解非线性方程组

提出一种改进的求解非线性方程组的浮点遗传算法,算法通过把非线性方程组的求解问题转化为约束优化问题,然后将局部搜索信息引入遗传算法,通过改进的变异算子不断调整搜索区域,最终搜索到含有最优解的区域,再利用局部搜索信息提高解的精度.数值实验结果表明,改进后的浮点遗传算法具有较好的全局优化能力和局部搜索能力,且提高了求解的速度和解的精度.     

基于遗传算法和模式搜索的混合优化方法

遗传算法具有快速随机的全局搜索能力,但当求解到一定范围时往往做大量无为的冗余迭代,求精确解效率低.模式搜索具有很强的细搜索能力,但是其搜索结果的好坏在很大程度上依赖于初始点的选择.本文提出了一种混合遗传-模式搜索算法,该方法是将种群分成两个子群,分别进行遗传算法与模式搜索算法,在每一步中两个子群的最佳结果收集起来,用于更新相互的最优个体.仿真结果表明遗传算法与模式搜索的混合优化方法取得了较好的效果.     

一种小生境正交遗传算法研究

针对标准遗传算法的不足,借助正交试验法的全局均衡设计思想和二元变异操作对初始种群产生方式、交叉算子和变异算子进行了改进,提高了种群的多样性;借助最优保留策略和自然界的小生境思想,对选择算子进行了改进,提高了算法的全局收敛性能;另外还通过引入加速正交搜索操作,提高了算法的收敛速度.在此基础上,提出了一种小生境正交遗传算法,并进行了实例研究.研究结果表明,该算法不但可以有效地克服标准遗传算法的缺陷,而且计算速度、计算精度和算法稳定性也得到了显著提高.     

波阻抗混合优化反演方法研究

遗传算法是一种具有全局优化的随机搜索算法,针对遗传算法存在局部搜索能力差,求解精度不高等缺点,引入了模式搜索算法,利用模式搜索算法较强的局部搜索能力和较高的求解精度弥补遗传算法的不足。即利用遗传算法来控制寻优过程,用模式搜索算法使解快速逼近极小点,然后再用遗传算法使解逃脱局部极值,从而达到全局寻优目的。理论模型和实例计算分析验证了该方法的有效性     

基于免疫遗传算法的道路交通标志图像分割

针对道路交通标志图像分割的问题,提出了一种基于免疫遗传算法的实现方法。该算法利用免疫遗传机制,将图像的最佳阈值作为要求的解,设计了适合问题求解的抗体编码方式、克隆算子和免疫选择算子。仿真实验结果表明,所提算法能够有效地求得道路交通标志问题的最佳阈值。通过与传统遗传算法、改进遗传算法进行对比实验,更好地说明了本算法能够对图像分割得到较为满意的结果。     

免疫编程的故障特征构造方法

在原始特征的多项式组合优化中,针对遗传编程易陷入局部优化解的缺点,引入了免疫编程的故障诊断优化策略,将类内类间散布矩阵判据作为抗体的亲和度,利用克隆、变异和更新等免疫算子实现抗体的优化,从而获得了最佳分类能力的复合特征.对发动机异响信号的6个典型时域特征的应用表明,克隆选择机制维持了抗体群体的多样性,同遗传编程方法相比,优化的复合特征具有更好的识别效果.     

基于改进免疫遗传算法的水电站优化调度应用研究

根据免疫算法的生物学机理,提出了一种改进的免疫遗传算法.该算法将微粒群算法作为免疫算法的全局搜索策略,提高算法的全局搜索能力;利用逐步优化算法对免疫算法的控制策略进行进化操作,提高算法的局部搜索能力;利用免疫算法本身基于浓度的自我调节机制,提高群体的多样性,避免算法过早陷入局部最优解.最后给出了该算法实现的具体步骤,并将其应用于水电站的优化调度中,取得了较为满意的结果,且与动态规划、遗传算法、免疫算法和微粒群算法等比较,验证了算法的有效性和优越性.     

基于免疫遗传算法的炼钢最优炉次计划研究

针对炼钢最优炉次计划问题难以准确求解的实际情况,建立了一种含有0-1变量的整数规划模型,为了求解该优化模型,提出了一种新的免疫遗传算法.该算法通过将免疫算法和遗传算法相结合,在传统遗传算法中加入免疫算子,并且引入了新的个体选择概率模型,有效防止了算法过早收敛的现象.针对该类优化问题的特性,设计了自适应的交叉率和变异率准则,动态调整交叉率和变异率,提高了该算法的精度.基于工厂的实际数据,进行了仿真实验,实验结果表明该免疫遗传算法比普通遗传算法有着更高的搜索精度,证明了该算法在实际炼钢最优炉次计划问题中的有效性和准确性.