一种改进的免疫克隆选择算法

针对传统免疫克隆选择算法收敛速度较慢的问题,结合克隆概率和免疫概率的自适应变换、群体灾变算法以及有无记忆库思想,提出了无记忆库的自适应免疫克隆选择算法与有记忆库的自适应免疫克隆选择算法,并将其应用于TSP问题.群体灾变算法的应用便于使算法尽快摆脱迟钝状态,并使算法能够保持抗体多样性.自适应方法的应用使得算法在进化初期有较强的全局搜索能力和较弱的局部搜索能力,随着进化的进行,全局搜索能力逐渐减弱,局部搜索能力逐渐增强,便于找到全局最优点.仿真实验结果表明,与传统的免疫克隆算法相比,该算法有效克服了早熟问题,保持了抗体的多样性,而且收敛速度较快.     

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.     

约束优化问题的免疫混沌算法

结合免疫算法极强的全局搜索能力以及混沌优化方法适合局部搜索的特点，提出了一种新的免疫混沌算法.从一组可行解出发，采用免疫算法通过克隆选择、克隆扩增、高频变异和审查形成记忆细胞，并将其作为全局近似最优解，然后采用混沌优化方法按照混沌运动规律在近似最优解的邻域内进行局部搜索并审查，从而获得全局精确最优解.审查过程包含了对约束条件的处理，即对新产生的候选解进行审查，保留满足约束条件的可行解.利用该算法对几个经典约束优化问题进行了仿真测试，与以往方法相比获得了更优的结果，表明该算法是一种解决约束优化问题的有效方法.     

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.     

双层协同进化克隆选择算法及其应用

为解决克隆选择算法收敛速度慢、收敛精度低等问题,提出了双层协同进化克隆选择算法,该算法的每一层使用不同的进化方案进行寻优搜索,并通过信息共享实现了层间的协同进化,形成层内竞争与层间协作的进化模式.通过构建基于多种进化策略的混合协同进化机制,实现了不同进化策略在优化过程中的优势互补与信息增值,达到有效平衡算法的全局探索与局部开发的目的,同时也较好避免了算法的早熟收敛问题.用10个标准测试函数来验证所提出算法的可行性与有效性,仿真实验结果表明:相比克隆选择算法及其两个改进的算法,本文提出的优化算法具有全局搜索能力强、稳定性好、收敛速度快、收敛精度高等优势,且测试函数维度的增加对本文算法的收敛性能影响不大,其优势更加凸显.针对混沌系统控制与同步中的系统参数估计问题,以Lorenz混沌系统的参数估计为例,进行了未知参数估计的数值仿真,结果显示本文算法实现了混沌系统参数的高精度估计,是一种有效的混沌系统参数估计方法.     

免疫群体网络算法及其在电站风机故障诊断中的应用

为了快速、准确的识别电站风机的故障类型,基于克隆选择算法和免疫网络算法,提出一种免疫群体网络算法,该算法能对多个抗原群体同时进行局部和全局搜索,从而形成2层搜索机制,保证了算法的局部和全局搜索能力,有效克服了未成熟收敛现象,提高了群体的多样性,仿真结果表明,免疫群体网络算法能有效识别电站风机故障。     

一种新的免疫克隆选择算法在多峰寻优中的应用

为了解决Castro克隆选择算法中存在的种群规模需根据经验确定、多峰搜索能力弱、训练时间长的问题,提出了一种新的免疫克隆选择算法,该算法基于一个压缩阈值和新的收敛标准,能够动态确定种群大小,具有很强的全局和局部搜索能力,可以搜索到全局最优点和尽可能多的局部极值点.与Castro克隆选择算法相比,多峰搜索的成功率提高了1.2倍、平均迭代次数减少了一半.仿真实验的结果也表明该算法在平均运行时间减少了56%的情况下多峰函数的优化效果得到了显著改善.     

多模态函数优化的免疫算法

模拟抗体搜索机制,结合免疫网络理论,提出一种新的优化算法.该算法用抗体表示函数优化解的可能模式,通过构造克隆选择算子完成全局和局部最优解的搜索,利用B细胞网络保持多种抗体并存.典型函数优化测试结果表明,该算法能够较好地实现全局最优解和局部最优解的同步搜索和保持,具有较强的多模态函数优化能力.     

基于模拟退火的量子进化算法

针对量子进化算法全局搜索能力强而局部寻优能力弱的特点,提出一种基于模拟退火的量子进化算法。该方法将模拟退火算法引入到量子进化算法中,在采用量子进化算法进行解空间全局搜索的同时,用模拟退火算法加强局部寻优能力,以有效平衡算法的开采与勘探能力。采用著名的NP难组合优化问题———背包问题为例进行实验,结果表明:本文方法获得了比量子进化算法更好的解,证实了其有效性。     

免疫克隆优化聚类技术

将人工免疫系统中的克隆选择优化应用于无监督分类与识别问题,提出了一种新的免疫克隆聚类算法.该算法利用克隆算子能够同时在同一父代抗体周围的多个方向进行全局或局部搜索,促使种群中抗体快速进化,从而在特征空间内快速获得聚类问题的全局最优聚类中心,有效克服了经典聚类算法易陷入局部极值的缺点,并从理论上证明了该算法具有全局收敛性．对7个人工数据集的聚类实验和两幅纹理图像的分割实验表明:新算法比常用的K均值算法的平均分类精度高20.9％,比另一种基于遗传算法的聚类方法的平均分类精度高20.3％．     

基于免疫和进化扩散算法的全局优化问题求解算法

在求解全局优化问题时,通常免疫算法、进化扩散算法分别在局部搜索和全局搜索方面表现较弱。针对这一情况,基于免疫和进化扩散算法,提出了一个免疫-进化扩散算法。该算法结合了免疫和进化扩散两种算法的优点,一方面通过引入基于共享机制的小生境算法,保持了群体的多样性,另一方面通过提出一种步长参数动态调整策略,提高了算法效率。实验结果表明,在给定精度下,该算法的效率和稳定性都明显优于Tsui的进化扩散算法和Ingber的自适应模拟退火算法。最后对步长参数动态调整策略进行了分析。     

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。     

多目标遗传局部搜索算法的研究进展

在分析了由演化算法局部搜索能力差造成的多目标演化算法在收敛速度和求解精度上尚不能令人满意的局限性的基础上，详细地论述了融入局部优化方法的多目标混合演化算法能够有效地平衡算法的全局搜索与局部搜索能力、均衡搜索效率与效果，而且已成为求解多目标优化问题的一个非常重要而有前途的研究方向。其次，综述了多目标遗传局部搜索算法的研究进展与分类。最后，简单介绍了一些具有代表性的多目标遗传局部搜索算法，并提出了其有待进一步研究的若干方向和内容。     

符号几何规划问题的求解新方法

对符号几何规划问题,给出一种求其全局最优解的分支定界算法。利用不同的凸化方法将算法中关键的定下界操作转化为易于求解的凸规划问题。最后给出算法的收敛性证明和数值实验结果。     

改进量子交叉免疫克隆算法及其应用

根据不同交叉算子的互补特性,提出了改进量子交叉免疫克隆算法(improved quantum crossover immune cloanl algorithm, IQCICA)。交叉算子由具有深度挖掘和广度挖掘特征的两种算子组成,并通过适当的参数控制两种算子的选择。将该算法应用于著名的组合优化问题-旅行商问题(traveling salesman problems, TSP),并将计算结果与其它算法进行了对比分析。仿真结果表明,混合量子交叉免疫克隆选择算法能有效平衡全局和局部搜索能力,有着较好的收敛速度和稳定性。     

基于搜索偏好知识的复杂多模差分进化算法

针对复杂多模优化问题,提出一种基于搜索偏好知识的差分进化算法PKLSHADE。PKLSHADE将先验搜索偏好知识注入到种群的进化过程,在不同的进化阶段对种群的多样性和集约性区分考虑,进化早期重视差分扰动以增强算法的全局开发能力,进化后期更多围绕当前最优解进行局部精细搜索。同时,基于搜索偏好知识的变异策略能够实现差分进化算法全局开发和局部搜索的自适应平滑过渡,避免两搜索阶段的硬切换。在CEC2017复杂混合多模函数上的实验结果及统计分析表明,PKLSHADE在最优解的精度、算法的稳定性等方面均优于LSHADE、EBLSHADE、jSO及AMECoDEs等近年来的优秀差分进化算法。     

基于遗传算法的潜艇隐蔽航路规划

将潜艇隐蔽航路规划为多目标规划问题，提出一种基于遗传算法的搜索算法，它对航路的邻域进行由粗到细的搜索，能实现全局最优和改善搜索效率，信真结果表明进后的遗传算法虽然计算时间较长，但收敛性能和解的精度明显高于动态规划和模拟退火等算法。