一种改进的用于多峰值函数优化的自适应克隆选择算法

针对基本的克隆选择算法容易陷入局部最优的弱点以及算法在迭代后期易出现停止不前的现象,向基本克隆选择算法中加入了超变异算子和自适应调节步长机制,经过典型的Benchmark算例的测试,表明改进后的克隆选择算法能够提高全局寻优能力和解的精度.     

一种改进的克隆选择优化算法

人工免疫系统是基于生物免疫系统特性而发展的新兴智能系统。论文利用免疫系统的克隆选择机制,提出一种用于函数优化的改进克隆选择算法。算法的主要特点是采用克隆和自适应变异等操作,提高收敛速度和种群的多样性。仿真程序表明,该算法能以较快速度完成给定范围的搜索和全局优化任务。     

一种改进的克隆选择算法在多峰值函数优化中的应用

为了解决deCastro2002年提出的CLONALG算法在多峰值函数优化时多峰搜索能力弱、训练时间长的问题,本文提出了一种改进的克隆选择算法。该算法运用新的克隆选择操作、克隆变异操作和最佳抗体停止进化操作,并且引入了抗体抑制操作,不仅可以动态调整种群大小,具有较强的全局和局部搜索能力,而且搜索时间较短。与Castro的克隆选
择算法相比,本文算法在较短的时间内可以搜索到全局最优解和更多的局部最优解。     

一种用于函数优化的免疫算法

人工免疫系统是基于生物免疫系统特性而发展的新兴智能系统。利用免疫系统的克隆选择机制,提出一种用于函数优化的改进免疫算法。其主要特点是采用克隆和自适应变异等操作,提高收敛速度和种群的多样性。仿真程序表明,该算法能以较快速度完成给定范围的搜索和全局优化任务。     

一种新型的克隆选择算法*

针对克隆选择算法自适应能力较弱的缺陷,给出了一种基于危险理论的自适应克隆选择算法。设计了危险信号操作算子,该算子将种群浓度的变动作为环境因素,以抗体—抗原亲和力为依据计算各个抗体在该环境因素下的危险信号,最终通过危险信号自适应地引导免疫克隆、变异和选择等后续免疫应答。实验结果表明本文算法具有较好的自适应能力和多值搜索能力。     

一种改进的克隆选择算法及其函数优化应用

本文研究了免疫克隆选择算法（ICSA）[1]的一种新的改进算法,并应用到函数优化问题中。算法利用记忆单元对迭代过程中最佳抗体的基因位记忆,而且随着迭代次数增加,相应记忆的基因位数也随之增加。通过几个测试函数实验,证实了记忆单元对迭代过程中最佳抗体的基因位记忆,有助于提高算法的收敛速度。     

一种用于函数优化的免疫算法

遗传算法是目前最为广泛使用的可以用于函数优化的寻优方法之一。针对其容易陷入局部极值点等弱点,该文基于生物免疫系统中的学习机理及与其相关的免疫学理论中的克隆选择学说,提出了一种新的用于函数优化的免疫算法。新算法包括选择、克隆扩展、超变异和免疫记忆操作,定义了体现算法学习机制的学习参数和用于保存最优解的免疫记忆集合。提出了根据算法亲合度自适应调节学习参数的方法,以提高算法的全局寻优能力。用不同类型的测试函数进行仿真实验,结果表明该算法是有效的。     

改进的克隆选择算法及其应用

为解决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、训练时间长等问题,提出一种新的免疫克隆选择算法,该算法基于实数编码和自适应变焦变异方法,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。仿真实验结果表明,该算法平均运行时间和平均找到的峰值点个数都明显优于Castro克隆选择算法,且多峰值函数的优化效果得到显著改善。     

结合Baldwinian效应和周期变异的免疫函数优化

为了有效提高免疫克隆算法的搜索能力,借鉴生物免疫系统的Baldwinian效应及生物进化的周期性,提出了一种融入Baldwinian正向学习和周期变化变异算子的克隆优化方法,并使用受体编辑保证抗体的多样性,避免局部最优。通过函数测试问题对算法进行了仿真,结果表明,该算法具有较快的收敛速度和求解精度。     

自适应克隆选择算法及其仿真研究

基于克隆选择算法基本原理,提出一种搜索函数最优解问题的自适应克隆选择算法(ACSA).在ACSA中,抗体的克隆数、高频变异率、每代更新数都能在优化过程中自适应调节,而且变异抗体具有免疫记忆功能.通过对ACSA的收敛性分析,并和标准克隆选择算法仿真比较,结果表明ACSA在求解函数最优解问题时具有较强的收敛性和自适应性.     

免疫算法求解函数优化问题及其SoPC实现

SoPC是Altera公司近年来提出的一种灵活、高效的软硬件协同设计可编程片上系统。本文首先搭建硬件平台,在此平台上进行软件开发,运用改进免疫克隆选择算法解决函数优化问题。仿真结果表明,在SoPC上处理函数问题是可行的,并且算法具有优良的收敛速度及实时处理和抗退化能力。     

免疫文化基因算法求解多模态函数优化问题

为了尽可能找到多模函数优化问题的全部最优解,提出了一种免疫文化基因算法。采用危险信号自适应引导免疫克隆、变异和选择过程,并采用Baldwin学习机制作为局部搜索策略,增强了算法搜索最优解的能力。实验结果表明,本算法求解精度较高。     

周期变异概率的免疫克隆算法

在传统免疫克隆算法的基础上提出了一种新的基于周期变异概率的免疫克隆算法,该算法进一步提高了收敛速度,有效地克服了早熟现象,很好地解决了类似高维函数优化等复杂问题.通过对比计算实验表明:种群的初始分布对该算法的性能影响很小,且对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和自适应遗传算法等优化算法.     

一类用于函数优化的基于混沌搜索的免疫算法

将混沌优化算法与克隆选择算法相结合,提出了一类基于混沌搜索的免疫算法．首先利用解空间变换将优化变量表示为混沌变量,并将混沌变量编码为抗体．然后,利用混沌变量的遍历性和随机性特点,通过在高亲和力抗体的邻域内进行混沌搜索以实现局部寻优,通过在整个解空间内的混沌搜索来避免陷入局部最优解．数值仿真结果表明该算法具不易陷入局部最优、解的精度高和操作简单等优点．     

基于均匀设计的免疫克隆多峰函数优化

为了尽可能多地求得多峰函数的全部最优解,提出了基于均匀设计的免疫克隆多峰函数优化。算法采用均匀设计初始化种群,保证初始抗体群体分布的均匀性和多样性。采用Larmark学习策略对群体进行局部搜索,以增强算法的收敛速度和搜索精度。在免疫克隆参数设置上,将参数设定问题描述成多因素多水平的均匀设计问题,减少设置参数所需的实验次数。实验结果表明,该算法寻优能力较强。     

面向多模态函数优化的混沌免疫网络算法研究

针对人工免疫网络解决多模态函数优化时可能出现的早熟收敛现象和搜索精度不甚满意的问题,提出改进的混沌免疫网络算法。改进算法终止条件及采取相应措施以避免早熟,利用混沌变量来模拟免疫细胞的增殖方式以提高算法的搜索精度。通过对一些典型测试函数进行仿真实验,结果表明该算法能够快速优化抗体,搜索能力强,搜索精度高,是一种效果优良的解决多模态函数优化问题的极值寻优方法     

基于新型免疫算法的多峰函数优化

针对目前多峰函数优化问题较难找到全部局部最优解的情况,提出了改进的免疫优化求解方法。借鉴免疫系统的受体编辑操作、Baldwin效应,设计了相应的算子,增强了算法的学习能力,提高了算法的收敛速度。实验结果表明,本算法求解精度较高,提高了多峰函数寻优的精度。     

分布式人工蜂群免疫算法求解函数优化问题

为了克服人工蜂群算法由于开发能力较弱而导致收敛速度慢、搜索精度不高等缺点,结合子蜂群思想和免疫克隆选择算法,提出一种基于分布式精英进化模型的人工蜂群免疫算法。首先对外层子蜂群进行启发式快速人工蜂群操作以提高收敛速度;然后对内层精英蜂群进行免疫克隆选择操作,进一步提高了算法的收敛精度和全局搜索能力。仿真结果表明了该算法在求解函数优化问题上的有效性和优越性。     

免疫入侵检测多目标优化克隆选择算法研究

免疫入侵检测理论中克隆选择是检测器进化的关键。传统克隆选择算法通过比较样本间的亲和力累加值筛选样本,该方法具有较低的时间复杂度,但也造成了检测器的高重叠,影响迭代效率。将检测器个体的筛选与进化转化为pareto最优解的求解过程,提出了多目标优化理论的检测器克隆选择算法。实验表明,检测器基数不变的情况下,该算法明显提升了每代种群在进化过程中的检测范围,精简了记忆检测器的数量,提高了检测阶段系统的检测率。