启发式自适应免疫克隆算法

基于克隆选择学说,采用浮点数编码,提出了一种新的克隆选择算法.定义了精英克隆变异和启发式交叉2种主要算子;对高亲和度抗体实施小幅变异策略以进行局部搜索,对中等亲和度抗体群实施与高亲和度抗体群进行启发式交叉的策略以加快全局搜索,低亲和度抗体则死亡再生以保持种群多样性;为防止进化停滞,自适应地调整亲和度尺度变换参数.对4个复杂函数的测试结果表明该算法有效地克服了早熟问题,收敛速度快,性能稳定,精度高.     

改进的克隆选择算法与SPEA相结合的进化算法

为了使进化过程中子代的繁殖能够像生物繁殖那样继承进化信息,通过挖掘抗体中优秀决定基并生成记忆集、增加高斯变异、用变异抗体群中亲和度高的抗体按概率替换记忆抗体群中低亲和度抗体等策略,提出了一种改进的克隆选择算法（ICSA）。将ICSA与SPEA相结合,形成了一种改进的克隆选择算法与强度Pareto进化算法相结合的新型的进化算法（ICSA-SPEA）。ICSA-SPEA通过克隆选择替代选择、交叉、重组等遗传操作。用一组多目标0/1背包问题测试算法性能的统计结果表明,改进的算法可以有效保持种群多样性,具有良好的收敛精度与准确度。     

自适应并行混沌免疫进化规划

基于克隆选择原理,提出一种新的并行混沌免疫进化规划算法.在算法中,根据抗体抗原亲和度将抗体种群分为两个子群,相应的提出混沌克隆算子和超变异算子,混沌克隆算子在局部空间具有较强搜索能力,超变异算子在广阔空间具有大范围搜索能力,通过两个算子的并行操作使局部寻优和多样性保持相结合,从而提高算法的搜索效率.仿真表明,与传统进化规划(EP)和基于混沌变异的进化算法(EACM)相比较,并行免疫进化规划搜索效率高,能有效抑制早熟收敛现象,可用于解决复杂的机器学习问题.     

基于混沌优化和网格筛选策略的多目标分布估计算法

为了解决多目标分布估计算法中进化速度慢、解精度和分布不佳等问题,提出一种基于混沌优化和网格筛选策略的多目标分布估计算法.该算法首先利用混沌模型进行种群的初始化,以获得较理想的初始化结果;然后运用混沌的局部优化策略对每代产生的非支配个体进行寻优,加速种群向Pareto最优前沿的逼近;最后利用简单的网格筛选策略保持个体的均匀分布,从而增强精英种群的多样性.3种评价标准在8个测试问题上的实验表明:与目前最具代表性的RM-MEDA算法相比,该算法不仅在接近真实的最优前沿和保持种群的多样性方面具有一定优势,而且在进化速度上也有较大提高.     

一种基于混沌的自适应免疫进化算法

基于免疫系统的克隆选择机理,利用混沌序列的遍历性,将混沌序列引入算法初始群体的产生和抗体的扩展过程,设计出新的扩展算子,从而提出一种基于混沌的自适应免疫进化算法。用不同测试函数进行仿真实验,结果表明该算法有效,并能以较快的速度完成给定范围的搜索和优化任务。     

求解多峰函数优化问题的免疫量子进化算法

提出了一种求解多峰函数优化问题的免疫量子进化算法, 该算法依据小生境机制将量子表达的初始 种群划分为子群组, 再对每个子群组利用免疫特性的局域搜索能力包括抗体的克隆选择、记忆细胞产生、免疫细胞 交叉变异、抗体的促进与抑制等进化机制, 找出局域最优解。最终算法可保持所有优化解。算法综合了量子计算的 天然并行性和免疫算法的充分自适应性, 它比传统的进化算法具有更好的种群多样性, 更快的收敛速度, 更有效的 全局和局域寻优能力;证明了算法的收敛性, 最后通过仿真实验表明了该算法的优越性。     

地震波阻抗反演的免疫粒子群算法

提出了求解地震反演问题的免疫粒子群优化算法(IPSO).定义了种群多样性指标,在此基础上提出了抗体动态选择机制,分别在进化初期和后期采用不同策略进行抗体选择,与适应度选择、q-选择以及确定性选择方法比较优势明显.提出了基于种群多样性的权重自适应调整策略,在进化初期进行大范围全局搜索,进化后期则在相对较小的空间进行局部精细搜索,缓解了全局搜索和局部搜索之间的矛盾.二十层理论模型计算表明,IPSO算法不依赖于初始模型选择,在无噪和加入20%噪声情况下反演精度均明显优于标准粒子群算法(PSO)和自适应粒子群算法(APSO);成庄煤矿四、五盘区实际地震资料反演结果表明,IPSO算法能够准确识别煤层及顶底板位置,明显提高了弱反射波的连续性和可检测性.     

混沌协方差矩阵自适应进化策略优化算法

为了改进进化策略算法的性能,提出了一种混沌协方差矩阵自适应进化策略(ChaosCMA-ES)算法,该算法在协方差矩阵自适应进化策略(CMA-ES)算法的基础上引入了混沌算子,并利用其更新种群中心的位置,使得种群具备良好的全局搜索能力。试验结果表明,本文算法对复杂多峰函数的寻优效果好于其他几种算法。最后,将本文算法用于优化网络安全态势的预测模型,预测结果的精度高于其他方法。     

一种用于函数优化的量子克隆算法

为了解决传统量子进化算法用于复杂函数优化易陷入早熟和收敛速度慢等问题,将克隆算子引入到量子进化算法中,提出了一种新型的进化算法一量子克隆算法.该算法既借鉴了量子进化算法的高效并行性又利用克隆算子增加种群的多样性.提高了算法在解决函数优化问题的全局寻优能力.仿真结果表明,该算法优于传统的量子进化算法,较好地解决了复杂函数的优化问题.     

协同进化免疫记忆克隆算法

为提高免疫克隆算法的收敛性能,基于协调勘探和开采的思想,提出一种新型协同进化免疫记忆克隆算法.将整个进化种群分为免疫克隆种群和免疫记忆种群,将免疫克隆种群又分为2个子种群,在每个免疫克隆子种群内部采用协同竞争模式,动态更新种群规模,并采用适应度共享、动态变异机制和浓度调节机制的克隆扩增以增加种群多样性;在免疫记忆种群中采用混沌精细搜索以及精英交叉机制,提高免疫记忆种群的开采能力.利用基准测试函数进行仿真并与相关方法对比分析,所提出的算法收敛效果优越,能有效地提高全局收敛性能.     

基于混沌理论的否定选择算法

为了提高人工免疫系统中抗体生成速度,基于免疫系统的混沌特征,提出了混沌否定选择算法。该算法首先利用混沌的遍历性产生候选检测器集合,然后利用混沌扰动直接产生较优的个体,缩小搜索空间,并利用混沌初值敏感的特性,克服冗余个体。实验表明,该算法不但更好地保持了种群多样性,而且有效地提高了检测器集的生成速度。     

一种采用双混沌搜索的类电磁机制算法

针对现有算法中初始种群随机性强、局部搜索能力差、移动公式效率低等问题,提出了一种改进的类电磁机制算法．结合反向学习理论,引入带扰动因子的反向学习机制构造初始种群;提出了一种双混沌优化机制用于局部搜索;运用改进后的公式计算粒子之间的合力;设计了一种自适应移动算子来更新粒子．实验结果表明,改进后的算法具有更好的收敛效果和更高的求解精度．     

利用混沌粒子群算法确定河流水质模型参数

将混沌寻优思想引入到粒子群优化算法中,提出了混沌粒子群算法,这种方法利用混沌运动的随机性、遍历性和规律性等特性对当前粒子群体中的粒子进行混沌寻优。通过这种处理使得粒子群体的进化速度加快,从而改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。并将混沌粒子群算法应用于求解分析瞬时投放示踪剂情况下的一维河流水团示踪试验数据以及确定河流水质参数的函数优化问题,结果表明,混沌粒子群算法的收敛性能明显优于粒子群优化算法。     

克隆选择单变量边缘分布算法

张庆彬，吴惕华，刘波针对单变量边缘分布算法（UMDA）求解复杂优化问题的局限性，将人工免疫系统引入分布估计算法（EDAs）领域，提出了一种基于克隆选择原理的单变量边缘分布算法.该算法在进化过程中的每一代执行若干次克隆选择算法（CLONALG），利用克隆选择过程中的高频变异操作提高混合算法的局部搜索能力.通过对2种不同旅行商问题（TSP）的仿真实验表明，与UMDA、CLONALG以及UMDA和2 opt局部搜索算法的混合算法(UMDA2 opt)相比，克隆选择单变量边缘分布算法具有更高的优化性能.     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

自适应交配限制概率的自组织多目标演化算法

为平衡多目标演化算法求解不同优化问题以及求解同一优化问题时不同搜索阶段的勘探与开采能力,并考虑到减小聚类算法辅助演化算法时产生的计算开销,提出了一种基于自适应交配限制概率的自组织多目标演化算法（adaptive mating restriction probability based self-organizing multiobjective evolutionary algorithm, ASMEA）.首先,ASMEA在每一代利用自组织映射（self-organizing map, SOM）算法建立了演化种群个体间的邻居关系,基于此关系有利于算子实施恰当的重组操作,并在演化算法后期产生优质解,与此同时,为了节省利用SOM建立当前种群个体之间的邻居关系时引起的计算开销,将SOM与演化算法相融合,交替地进行SOM训练与种群演化.然后,运用交配限制概率控制交配父代来源于SOM发现的邻居种群或者是整个种群,以分别加强开采和勘探. 最后,根据采用不同父代来源的重组在过去一定代数产生后代个体的效用,自适应地调整算法的交配限制概率. 利用ASMEA和5种具有代表性的多目标演化算法对标准测试题进行求解,求解结果表明:ASMEA在搜索质量、搜索效率以及可视化方面优于其他5种算法,从而验证了ASMEA算法对多目标优化问题具有良好的求解性能.