一种改进的多目标粒子群优化算法及其应用

针对多目标粒子群优化算法在求解约束优化问题时存在难以兼顾收敛性能和求解质量这一问题,提出一种基于免疫网络的改进多目标粒子群优化算法.该算法通过免疫网络互通种群最优信息达到粒子群算法与人工免疫网络算法的协同搜索,同时给出了速度迁移策略、自适应方差变异策略和基于聚类的免疫网络策略.最后将所提出的方法应用于求解电弧炉供电优化模型,达到了减少电量消耗、缩短冶炼时间、延长炉衬使用寿命的目的,同时表明了该算法的有效性.     

基于分层多目标优化算法的无线网络规划

为满足时分-同步码分多址(TD-SCDMA)网络规划性价比最优化的需求,设计网络规划分层优化模型,该模型能很好地解决覆盖和容量的关系。为求解该模型,提出分层多目标优化算法,该算法能根据实际规划区域决定目标函数的优先层次,满足TD-SCDMA网络规划的目标和要求,并可在给定条件下实现基站布局最优。     

一种基于模糊评判和遗传算法的网络资源优化利用和多约束路由选择方法

文章提出了一种解决网络资源优化利用和多约束路由选择的算法。该算法将传输时延、传输费用和负载分布作为目标函数,利用模糊评判将多目标优化转化为单目标优化,并用具有免疫机制的遗传算法进行求解。希望所选路程消耗较小,并使负载尽量均衡分布,达到优化利用网络资源、降低网络拥塞的目的。理论分析和仿真实验表明,该算法是非常有效的。     

基于云免疫算法的认知无线网络参数优化

为了提高认知无线网络的参数优化效果,提出了一种基于免疫优化的认知引擎参数调整算法。免疫克隆优化是一种有效的智能优化算法,适合求解认知无线网络的引擎参数调整问题。免疫优化中,变异概率影响着算法的搜索能力;利用正态云模型云滴的随机性和稳定倾向性特点,提出了一种基于云模型的自适应变异概率调整方法,并用于认知无线网络的参数优化。在多载波环境下对算法进行了仿真实验。结果表明,所提算法收敛速度较快,参数调整结果与对目标函数的偏好一致,能够实现认知引擎参数优化。     

基于云免疫算法的认知无线网络参数优化

为了提高认知无线网络的参数优化效果,提出了一种基于免疫优化的认知引擎参数调整算法。免疫克隆优化是一种有效的智能优化算法,适合求解认知无线网络的引擎参数调整问题。免疫优化中,变异概率影响着算法的搜索能力;利用正态云模型云滴的随机性和稳定倾向性特点,提出了一种基于云模型的自适应变异概率调整方法,并用于认知无线网络的参数优化。在多载波环境下对算法进行了仿真实验。结果表明,所提算法收敛速度较快,参数调整结果与对目标函数的偏好一致,能够实现认知引擎参数优化。     

多个体网络分布式随机投影无梯度优化算法

研究了有向多个体网络的无梯度优化问题,提出了一种分布式随机投影无梯度优化算法。假定网络的优化目标函数可分解成所有个体的目标函数之和,每个个体仅知其自身的目标函数及其自身的状态约束集。运用无梯度方法解决了因个体目标函数可能非凸而引起的次梯度无法计算问题,并结合随机投影算法解决了约束集未知或约束集投影运算受限的问题。在该算法作用下,所有个体状态几乎必然收敛到优化集内,并且网络目标函数得到最优。     

基于自适应Memetic算法的多目标复杂网络社区检测

针对提高复杂网络社区检测准确度问题, 提出了一种自适应Memetic算法的多目标社区检测算法。在全局搜索中利用Logistic函数来设置与全局优化相应的交叉概率和变异概率,并将多目标优化问题转化成同时最小优化Kernel K-Means和Ratio Cut这两个目标函数;在局部搜索中利用权重将两个目标函数合并成一个局部优化目标,并采用爬山搜索来寻找个体最优。在虚拟和真实网络实验平台下,与五个基于遗传算法的方法以及Fast Modularity算法相比,结果表明算法能有效提高社区检测准确度,具有更好的寻优效果。     

解空间定向优化的快速免疫算法研究及其应用

为减少免疫算法应用时的计算量,对免疫算法的原理进行研究,提出一种基于药物辅助的免疫算法,并研究其在函数优化方面的应用.类比人体免疫系统机理, 增加药物治疗环节.改进算法是将原始目标函数进行分割,当算法寻找到某一局部极小值后,在原始目标函数的基础上更新搜索区域,提高收敛速度,降低计算量.最后通过仿真实验验证了所提出算法在多峰函数的寻优问题应用中的可行性和优越性.     

基于估值不确定度排序顺序均值采样的昂贵高维多目标进化算法

模型管理,特别是训练样本的选择和填充采样准则,是影响昂贵多目标优化算法求解性能的重要因素.为此,选择样本库中具有较好目标函数值的若干个体作为样本训练目标函数的代理模型,使用基于参考向量的进化算法搜索模型的最优解集,并提出一种基于个体目标函数估值不确定度排序顺序均值的采样策略,从该最优解集中选择两个个体进行真实的目标函数评价.为了验证算法的有效性,将所提出算法在DTLZ和WFG多目标优化测试问题和两个实际工程优化问题上进行测试,并与其他5种优秀的同类型算法进行结果对比.实验结果表明,所提出算法在求解昂贵高维多目标优化问题上是有效的.     

带模糊权值的最短路问题及启发式算法

研究网络链路权值是三角型模糊数时的最短路问题,建立模糊线性整数优化模型。通过引入目标函数的正、负理想点和隶属度概念,将模糊优化问题转化为确定系数的单目标优化问题,并给出求解算法。该算法通过调整反映决策者意图的目标函数权系数,得到决策者的满意解。对14个节点的实例网络进行仿真,经过6步就能得到令决策者满意的解,表明了模型和算法的有效性。     

基于事件驱动的动态免疫分簇路由算法*

为了降低应用于突发事件监测的无线传感器网络的能量消耗,设计实现了一种基于事件驱动的动态免疫分簇路由算法。将生物免疫系统的工作机制应用到无线传感器网络事件驱动的动态分簇算法中,事件作为抗原,传感器节点作为抗体,抗体对抗原有记忆保存的功能,使得相似的抗原再次出现时对事件及时响应。相似事件再次发生且传感器节点符合能量要求时,可以直接调用抗体中的记忆,对事件进行快速建簇,节省了簇的建立过程所消耗的大量能量,增加了网络的数据传输量,延长了网络的生命周期。仿真结果表明,生物免疫机制的学习记忆特性可以有效提高事件驱动的动态分簇算法的网络性能。     

连续状态自适应离散化基于K-均值聚类的强化学习方法

使用聚类算法对连续状态空间进行自适应离散化．得到了基于K-均值聚类的强化学习方法．该方法的学习过程分为两部分：对连续状态空间进行自适应离散化的状态空间学习，使用K-均值聚类算法；寻找最优策略的策略学习．使用替代合适迹Sarsa学习算法．对连续状态的强化学习基准问题进行仿真实验，结果表明该方法能实现对连续状态空间的自适应离散化，并最终学习到最优策略．与基于CMAC网络的强化学习方法进行比较．结果表明该方法具有节省存储空间和缩短计算时间的优点．     

一种基于人工免疫原理的混合聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制,提出了一种基于人工免疫原理的混合聚类算法.该算法引入了记忆抗体的分化和抑制机制,可有效地摆脱局部最优点;同时还集成了K-均值搜索算子,用于加快收敛速度.与K-均值方法比较,其具有更快的收敛速度和更高的收敛精度.仿真结果表明,所提算法是有效的.     

A hybrid immune model for unsupervised structural damage pattern recognition

This paper presents an unsupervised structural damage pattern recognition approach based on the fuzzy clustering and the artificial immune pattern recognition (AIPR). The fuzzy clustering technique is used to initialize the pattern representative (memory cell) for each data pattern and cluster training data into a specified number of patterns. To improve the quality of memory cells, the artificial immune pattern recognition method based on immune learning mechanisms is employed to evolve memory cells. The presented hybrid immune model (combined with fuzzy clustering and the artificial immune pattern recognition) has been tested using a benchmark structure proposed by the IASC–ASCE (International Association for Structural Control–American Society of Civil Engineers) Structural Health Monitoring Task Group. The test results show the feasibility of using the hybrid AIPR (HAIPR) method for the unsupervised structural damage pattern recognition.     

一种新型的模糊C均值聚类初始化方法

模糊C均值聚类(FCM)是一种广泛采用的动态聚类方法，其聚类效果往往受初始聚类中心的影响。受自适应免疫系统对入侵机体的抗原产生免疫记忆的机理启示，提出了一种新的产生初始聚类中心的方法。算法中，待分析的数据被视为入侵性抗原，产生的记忆细胞作为聚类分析的初始中心。克隆选择用来产生抗原的记忆细胞群体，免疫网络理论则用来抑制该群体规模的快速增长。实验结果表明免疫记忆机理用于FCM初始中心的选择是可行的，不仅提高了FCM算法的收敛速度，而且可以通过改变阈值的大小自动决定类别数。     

基于深度行为分析的网络安全态势感知技术

文章讨论网络安全态势感知技术,使用自适应权重聚类算法得到网络行为分析的聚类结果,且在分析时通过将加权距离优化,保证类间差异最大化。将网络行为分析的聚类结果输入到基于NAWL-ILSTM的网络安全态势感知模型中,通过长短期记忆网络和优化器方法改进Nadam的优化算法(NAWL),共同进行深度学习,得出网络安全态势感知结果。     

Centroid neural network for unsupervised competitive learning

An unsupervised competitive learning algorithm based on the classical k-means clustering algorithm is proposed. The proposed learning algorithm called the centroid neural network (CNN) estimates centroids of the related cluster groups in training date. This paper also explains algorithmic relationships among the CNN and some of the conventional unsupervised competitive learning algorithms including Kohonen's self-organizing map and Kosko's differential competitive learning algorithm. The CNN algorithm requires neither a predetermined schedule for learning coefficient nor a total number of iterations for clustering. The simulation results on clustering problems and image compression problems show that CNN converges much faster than conventional algorithms with compatible clustering quality while other algorithms may give unstable results depending on the initial values of the learning coefficient and the total number of iterations.     

基于并行动态学习型免疫算法的永磁同步电机状态监测

为提高永磁同步电机(Permanent magnet synchronous machine, PMSM)系统参数辨识与状态监测效率,利用图形处理器(Graphics processing unit, GPU)并行计算与 人工免疫技术相结合的研究方法,建立面向永磁同步电机系统基于GPU并行动态学习型 免疫进化的参数估计与状态监测模型.为提高算法的动态跟踪性能,在抗体演化进 程中,通过知识学习策略来引导算法进化过程,首先将抗体群划分为B细胞群、浆细胞 群以及记忆细胞群,对处于不同进化群体中的抗体分别设计免疫综合学习策略、免 疫反向学习策略和高斯学习策略,以增强抗体间的信息交互;接着,应用图形处 理器并行计算技术进一步加速算法求解过程;最后,将所提算法应用于永磁同 步电机系统参数辨识与状态监测中,实验表明,所提方法能同时准确地对电机的定子 电阻、dq轴电感和永磁磁链等系统关键参数进行估计.依据参数变化实现对系统 运行状态进行在线监测与预警.计算结果表明, GPU并行技术能大幅度提高计算效率.     

基于网络社区模块结构的特征选择性能评价

利用网络社区模块结构作为特征选择的度量指标，给出了一种基于全局拓扑结构的特征选择性能评价方法。对一种基于免疫学原理的数据压缩和特征提取模型——人工免疫网络进行了验证，通过对数据特征提取前的抗原数据网络和特征提取后的记忆网络的网络社区模块结构的对比，达到对人工免疫网络(aiNET)的特征提取性能评价的目的。实验结果证实了人工免疫网络模型可以保持网络拓扑结构上的稳定性，验证了利用网络社区结构作为特征选择度量的合理性。     

基于亲和度累积的人工免疫网络聚类

当数据集聚类边界不清晰或存在噪声干扰时,人工免疫网络聚类算法通常无法获得有效的聚类划分。受抗体免疫差异性的启发,提出一种基于抗体亲和度累积的人工免疫网络聚类算法。该算法在抗体中引入亲和度累积及有效的更新策略,使用记忆网络中抗体的亲和度累积强度分布表达数据集的空间密度变化趋势,从而在记忆网络中通过二次免疫抑制,使网络中抗体的聚类结构更加清晰。实验结果表明,该算法对聚类边界不清晰的数据集可获得较精确的聚类划分,同时具有很强的噪声抑制能力。