免疫组播路由选择算法

研究了带宽延时受限、费用最小的QoS组播路由问题，并提出了一种解决该问题的免疫算法．免疫算法的核心在于免疫算子的构造，而它又是通过接种疫苗和免疫选择两个步骤来完成的．根据QoS组播路由问题，给出了免疫疫苗选取与免疫算子构造的具体方法．将免疫算法应用于组播路由选择，是通过在基于遗传算法的组播路由选择的基础上引入免疫算子来实现的．该算法采用的进化算子简便、高效．仿真实验表明，该算法不仅有效可行，而且较好地解决了标准遗传算法中出现的退化现象，提高了收效速度和搜索能力．     

基于改进免疫克隆算法的BP网络权值优化

在简单分析了BP网络的缺陷以及应用遗传算法来优化网络权值存在的不足之后,采用了一种免疫克隆算法对BP网络的权值进行优化,并对算法的变异算子进行了改进,改进后的变异算子把高斯变异与柯西变异有效地结合在一起,兼顾了精确的局部搜索与大范围搜索的优点,在扩大算法搜索范围的同时也保证了算法搜索的精细度.仿真实验结果表明,改进后的免疫克隆算法不仅有效地提高了BP网络学习的速度,还很好地改善了算法收敛性能,克服了遗传算法收敛速度慢,易陷入局部极优的缺点,可以成功地应用于BP网络的权值优化.     

基于免疫遗传算法的关系型数据库查询优化技术

在关系型数据库的查询过程中,表的不同连接次序是执行计划多样性的最主要原因。查询优化器必须能够通过一定的算法确定一个好的连接的次序,以便对查询路径进行优化。遗传算法的出现为求解查询优化问题提供了新的工具。但是遗传算法具有局部搜索能力不强、个体多样性差及早熟现象等缺点,导致解的质量不够理想。针对遗传算法的缺陷,本文引入结合免疫系统原理和遗传算子自适应调整的算法,即免疫遗传算法。该算法具有可防止未成熟收敛和保证种群的多样性等优点。在使用此算法搜索最优解时,可防止陷入局部寻优情况的出现。经过实验计算,免疫遗传算法对多连接查询优化有很好的效果,优化后的查询代价较遗传算法有很大的降低。     

基于免疫机制和遗传算法的网络k-划分优化

计算机网络k-划分优化是对网络进行控制管理的有效方法之一。该文给出了一种基于免疫机制和遗传进化的计算机网络k-划分优化算法。该算法在遗传算法中引入免疫机制，有效克服了标准遗传算法的“早熟”现象，提高了算法的搜索效率；同时，采用一种新的杂交、变异算子，更便于算法的硬件实现。理论分析和仿真实验表明该算法是非常有效的。     

基于免疫遗传算法的关系型数据库查询优化技术

本文引入结合免疫系统原理和遗传算子自适应调整的算法,即免疫遗传算法。该算法具有可防止未成熟收敛和保证种群的多样性等优点。在使用此算法搜索最优解时,可防止陷入局部寻优情况的出现。经过实验计算,免疫遗传算法对多连接查询优化有很好的效果,优化后的查询代价较遗传算法有很大的降低。     

基于双变异算子的免疫规划

针对进化规划的早熟收敛问题，借鉴免疫系统的应答机制，并结合进化规划与免疫机理，提出一种基于双变异算子的免疫规划算法（DMIP）．该算法的核心在于采用全局柯西变异算子和局部高斯变异算子，通过保持种群的多样性和执行记忆保护以及弱小保护策略，保证了算法搜索的快速性和有效性．理论分析和仿真结果均表明，该方法能够有效地提高算法的全局及局部搜索能力，克服早熟现象．     

一种并行免疫进化策略算法研究

基于克隆选择原理，提出一种自适应并行免疫进化策略．在算法中根据抗体抗原亲和度将初始抗体种群分为两个子群，相应地提出了精英克隆算子和超变异算子．通过精英克隆算子提高算法局部搜索能力，同时利用超变异算子维持种群多样性，通过这两个功能互补算子的并行操作实现种群进化．仿真表明，自适应并行免疫进化策略搜索效率高，能有效抑制早熟收敛现象，可用于解决复杂机器学习问题．     

使用混合邻域搜索算法求解多目标柔性JSP问题

通过对实际车间调度问题及邻域搜索算法的研究,针对传统遗传算法存在着一些缺陷,对多目标柔性JSP(车间调度)问题提出了基于遗传算法,并结合多种邻域搜索算法形成的一种新的混合邻域搜索算法。该算法基于相似度和免疫机制来构造初始解的策略,在遗传算子中提出了一种自适应的变异交叉概率,并在选择算子中结合模拟退火算法策略和免疫机制。经过实验结果表明,该混合邻域搜索算法提高了算法搜索的效率,并很好地解决了JSP问题。     

一种改进的离散粒子群优化算法

针对旅行商问题，提出了一种改进的离散粒子群优化算法，根据优化问题及离散量的特点，对粒子的速度、速度的相关运算规则和粒子的运动方程进行了重新定义，为防止算法的早熟停滞现象，提出用扰动速度来增加粒子群的多样性，为提高算法的求精能力，设计了一种高效的近邻搜索算子来提高粒子的适应值，使算法在空间探索和局部精化间取得了很好的平衡．与领域中的其它典型算法进行了仿真比较，结果表明，该算法具有很好的性能．     

改进的免疫克隆遗传算法研究及其在函数优化中的应用

针对免疫克隆遗传算法存在着"早熟"和局部搜索能力弱的问题,提出了一种改进方法.该方法用一位修正算子来改进后期局部搜索方面的不足,并对免疫克隆遗传算法的各个算子进行了改进.实验表明,新的改进算法在搜索效率和搜索能力上都有着显著的提高.     

多目标优化免疫算法中核心算子抽象

人工免疫系统是受自然免疫原理启发而建立的计算模型,多目标优化问题是当前演化计算的一个重要研究方向。然而,当前的各种免疫优化算法的运行机制和操作过程均不相同。提出一种多目标优化免疫算法的统一表达方法,抽象出免疫算法的3类核心算子的主要原理和运行过程。核心算子可表达经典免疫优化算法NNIA和CMOIA,证明了3类免疫算子表达算法的可行性和高效性。     

免疫算子对种群多样性的影响分析

经过多年的发展,研究人员设计出大量的免疫算法来解决多目标优化问题。基于三种免疫算子：克隆选择算子、超突变交叉算子和重组存储记忆算子,并通过分析三种算子何时或以何种方式对免疫算法中种群多样性产生影响,从而对免疫算子与种群多样性之间的联系进行了研究。对NNIA和CMOIA两种经典免疫算法在两个基准问题上进行实验分析,实验结果表明克隆选择算子对于算法多样性有消极影响,而超突变交叉算子和重组记忆存储算子则会帮助算法维护多样性。     

求解约束优化问题的改进型免疫算法

为了提高免疫算法求解约束优化问题的性能,给出了一种融合乘子法的免疫算法。设计了乘子法对约束条件的转换过程,给出了基于实数编码的克隆变异算子、浓度抑制算子和免疫算法框架,并对标准测试函数进行了实验验证。实验结果表明,该算法优于文献算法,具有较好的应用价值。     

基于免疫遗传算法的光突发交换路由技术

针对光突发交换多目标路由优化问题,提出了一种基于免疫遗传算法的智能化的光突发交换路由方案。将智能算法与光突发交换路由相结合,改进了现有的光突发交换路由技术。通过在基本遗传算法中引入免疫算子,它由免疫选择和免疫抑制组成,并利用生物免疫机制中的抗原识别、抗体记忆来控制收敛方向,保证遗传算法尽快收敛到全局最优解。仿真结果表明,与基本遗传算法相比,该算法克服了基本遗传算法的退化现象,且能平衡负载,较快收敛到最优解。     

多项目资源均衡优化的免疫遗传算法研究

针对多项目管理“工期固定-资源均衡”问题特点,设计免疫遗传算法对该类问题的求解。免疫遗传算法是模仿生物免疫系统的一种启发式算法,其在免疫算子中加入遗传算子,改进了遗传算法收敛方向无法控制易早熟的缺陷,使算法具有更好的全局搜索能力和记忆功能。最后,结合算例对算法进行验证和分析。     

求解多目标问题的Memetic免疫优化算法

将基于Pareto支配关系的局部下山算子和差分算子引入免疫多目标优化算法之中,提出了一种求解多目标问题的Memetic免疫优化算法(Memetic immune algorithm for multiobjective optimization,简称MIAMO).该算法利用种群中抗体在决策空间上的位置关系设计了两种有效的启发式局部搜索策略,提高了免疫多目标优化算法的求解效率.仿真实验结果表明,MIAMO与其他4种有效的多目标优化算法相比,不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且算法的收敛速度与免疫多目标优化算法相比明显加快.     

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.     

基于免疫遗传算法的模糊C-均值聚类

为了克服FCM算法对初值的敏感性,提出了一种基于免疫遗传算法的FCM算法。该算法利用免疫系统原理和遗传算子自适应调整的方法（即免疫遗传算法）来改进FCM算法。实验证明该算法能有效解决未成熟收敛的问题,保证了种群的多样性,使聚类问题最终快速、有效地收敛到全局最优解。     

A new hybrid genetic algorithm for job shop scheduling problem

Job shop scheduling problem is a typical NP-hard problem. To solve the job shop scheduling problem more effectively, some genetic operators were designed in this paper. In order to increase the diversity of the population, a mixed selection operator based on the fitness value and the concentration value was given. To make full use of the characteristics of the problem itself, new crossover operator based on the machine and mutation operator based on the critical path were specifically designed. To find the critical path, a new algorithm to find the critical path from schedule was presented. Furthermore, a local search operator was designed, which can improve the local search ability of GA greatly. Based on all these, a hybrid genetic algorithm was proposed and its convergence was proved. The computer simulations were made on a set of benchmark problems and the results demonstrated the effectiveness of the proposed algorithm.     

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。