基于免疫粒子群算法的非合作博弈Nash均衡问题求解*

针对N人非合作博弈Nash均衡求解问题,将免疫算法中抗体浓度抑制机制和免疫记忆功能引入基本粒子群算法,提出了一种求解博弈问题Nash均衡的免疫粒子群算法。该算法通过抗体浓度抑制机制和免疫记忆功能来保持种群的多样性,不仅保持了粒子群算法简单、易于实现的特点,而且增强了粒子群算法的全局寻优能力,加快了算法的速度。实验表明,提出的算法具有较好的性能,优于免疫算法和基本粒子群算法。     

Solving Nash equilibrium for N-persons' non-cooperative game based on immune particle swarm algorithm

针对N人非合作博弈Nash均衡求解问题,将免疫算法中抗体浓度抑制机制和免疫记忆功能引入基本粒子群算法,提出了一种求解博弈问题Nash均衡的免疫粒子群算法.该算法通过抗体浓度抑制机制和免疫记忆功能来保持种群的多样性,不仅保持了粒子群算法简单、易于实现的特点,而且增强了粒子群算法的全局寻优能力,加快了算法的速度.实验表明,提出的算法具有较好的性能,优于免疫算法和基本粒子群算法.     

基于小生境免疫遗传算法的硅钢片优化排样

提出一种基于小生境免疫遗传算法的多级序列优化方法,并解决硅钢片优化排样问题。以免疫算法为基础,通过遗传算法进化抗体群,利用小生境技术保持抗体群的多样性。遗传算子和免疫记忆策略加快了优良个体的产生,提高了算法的收敛速度。共享机制和克隆抑制策略提高了算法的全局搜索能力,有效地避免早熟收敛现象。实际生产数据排样结果表明,该算法是有效、可行的。     

基于自适应免疫进化算法的逻辑电路设计*

针对现有进化算法在进行逻辑电路设计时存在的进化缓慢和容易陷入局部解等问题,提出一种自适应免疫进化算法（adaptive immune evolutionary algorithm,AIEA）。该算法引入了免疫记忆机制和抗体差异调节算子,能够很好地保证个体的多样性,有利于跳出局部最优解;通过采用自适应交叉率和变异率,提高了算法的搜索能力和收敛速度。通过与多目标进化算法（MOEA）、简单免疫算法（SIA）的实验比较,证明了该自适应免疫进化算法的有效性。     

基于免疫粒子群集成的RNA二级结构预测算法

RNA二级结构预测在计算生物学中具有重要意义,针对RNA二级结构预测,提出了一种新的免疫粒子群集成算法,根据个体的浓度和适应值概率,利用免疫机制,在粒子群优化算法中设计了免疫替换算子,有效防止了粒子群优化算法易陷入局部最优的缺陷;通过集成技术,充分发挥各种粒子群优化算法的优点,实现协同演化,提高了算法的全局搜索能力。最后用免疫粒子群集成算法去预测RNA二级结构,实验证明了算法的有效性。     

利用免疫粒子群算法解决排课问题

为解决排课当中的资源合理分配问题,寻求一种合理的解决方案,提出一种带免疫量子行为的粒子群智能优化算法.将粒子群中的粒子当作抗体,给粒子的生成加入免疫记忆机制,迭代开始后,使用抗体浓度指导粒子种群向更优方向移动.改进后的方法能避免粒子陷入局部最优和早熟收敛,用以解决这种多约束、多目标的组合排课问题.最后进行实验仿真,仿真结果表明了该新算法在解决实际问题中的有效性与优越性.     

基于免疫粒子群算法的广义Nash均衡问题求解

针对广义Nash均衡求解问题, 提出了一种免疫粒子群算法。首先利用非线性互补问题, 将广义Nash均衡问题转换为非线性方程组问题, 然后把免疫算法中抗体的免疫记忆功能和抗体浓度抑制机制引入基本粒子群算法, 设计了一种免疫粒子群算法。最后通过数值实验表明, 该算法保持了粒子群种群多样性, 增强了粒子群算法的全局寻优能力, 加快了算法的收敛速度, 具有较好的性能。     

一种个性化变异的免疫粒子群算法

为了克服粒子群算法易早熟、后期收敛慢的缺点,根据免疫优化理论,提出一种改进的个性化变异免疫粒子群算法。该算法通过对适应度较低的弱势抗体群采用疫苗启发式变异、柯西变异和对称变异,加快了算法收敛速度,增强了算法逃离局部最优的能力;通过对适应度较高的记忆抗体群采用正态变异和改进的混沌扰动,提高了算法的收敛精度。同时,算法中的交叉变异率均实行自适应调整。实验结果表明该算法优于几种典型的粒子群算法和基本免疫克隆算法。     

基于粒子群神经网络线控转向故障诊断的研究

改进的自适应粒子群优化算法根据群体早熟收敛程度和个体适应值来调整惯性权重和阈值系数,以及对粒子速度与位置进行更新,该算法兼顾全局寻优和局部寻优,有效地避免早熟收敛.使用改进的自适应粒子群优化算法训练神经网络,并根据汽车线控转向系统构建故障诊断模型.实验结果表明:与传统的粒子群优化算法、遗传算法训练神经网络相比,基于改进的自适应粒子群优化算法的神经网络能够有效改善神经网络的训练效率,加快了收敛速度,提高故障模式识别的准确率.     

带扰动因子的自适应粒子群优化算法

针对标准粒子群优化算法搜索精度不高、易陷入局部最优的问题,提出了一种带扰动因子的自适应粒子群优化算法。该算法进行混沌初始化,采用自适应的惯性权重,并将扰动因子加入粒子个体极值、全局极值和位置更新公式中。通过与其它算法的数值实验对比,新算法能够有效避免局部最优,全局收敛性能显著提高,收敛速度更快。