自适应克隆选择算法在函数优化中的应用

本文在分析了传统用于函数优化问题的遗传算法特点和不足的基础上,结合克隆选择算法基本原理,提出一种解决函数优化问题的自适应克隆选择算法(ACSA),通过两个典型的函数寻优问题的仿真分析,结果说明自适应克隆选择算法在解决函数优化问题时的高效性.     

基于球面杂交的自适应动态克隆选择算法

在克隆选择算法搜索函数最优解问题的研究中,针对传统自适应动态克隆选择算法收敛速度慢、精度低以及种群多样性低的缺点,提出了一个基于球面杂交的自适应动态克隆选择算法。新算法采用浮点数编码方式,在每次迭代过程中,首先根据抗体的亲和度动态计算出每个抗体的变异概率,然后根据亲和度大小将抗体种群动态分为记忆单元和一般抗体单元,并采用球面杂交方式对种群进行调整,提高了算法的收敛速度和求解精度。实例验证了所提算法的有效性和可行性。     

定向多尺度变异克隆选择优化算法

提出一种定向多尺度变异克隆选择优化算法.为了实现抗体间信息共享,算法利用定向进化机制引导抗体向着抗体群最优解区域逼近.采用多尺度高斯变异机制,在算法初期利用大尺度振荡变异实现了全局最优解空间的快速定位.随着适应值的提升,小尺度变异会随之减低,使得算法在进化后期通过小尺度变异完成局部精确解的搜索.将算法应用到5个经典函数优化问题,结果表明,该算法不仅具有更快的收敛速度,而且全局解搜索能力和稳定性均有显著提高.     

抗独特型克隆选择算法

基于免疫学中的抗体克隆选择学说,通过引入抗独特型结构,提出了一种用于求解复杂多峰函数优化问题人工免疫系统算法——抗独特型克隆选择算法.该算法通过克隆增殖操作、抗独特型变异操作、抗独特型重组操作和克隆选择操作这4 个操作算子来实现抗体种群的进化,能够同时在同一抗体周围的多个方向进行全局搜索和局部搜索,具有较强的搜索能力.理论分析表明,抗独特型克隆选择算法具有全局收敛性.抗独特型结构的引入充分利用了优势抗体的结构信息,加快了抗体种群的收敛速度,从而以更快的速度获得全局最优解,同时降低了算法陷入局部极值点的几率.实验部分采用4 组不同类型的函数对算法性能进行测试.理论分析及实验结果表明,与克隆选择算法等已有算法相比,该算法性能好,求解精度高,鲁棒性强.     

嵌入式系统软硬件划分方法探索

提出了克隆选择算法在软硬件划分中的应用,讨论了目标函数、系统约束、抗体编码、克隆选择和变异等问题的处理。实验结果表明该算法具有较快的收敛速度,并获得了近似最优解。     

混合变异克隆选择多目标优化算法

研究多目标优化问题,针对提高算法的快速性,提出一种混合变异克隆选择多目标优化算法.进化在三个抗体群中进行,不同的抗体群采用不同的变异算子,并通过外部记忆抗体群的更新,来保留进化的最优抗体,避免算法进化后期出现退化现象.算法采用的三种变异算子:高频大尺度高斯变异算子带有振荡性质,能够对Pareto最优解区域进行勘探,单基因小尺度衰减的高斯变异算子能够使优化结果逼近Pareto最优解,均匀变异算子使算法具有局部逃逸能力,能够保证解的多样性.将算法和经典的NSGA -Ⅱ、ε- MOEA算法以及单一变异的多目标克隆选择算法(MCSA)进行性能比较,结果证明新算法具有较好的快速搜索性能和鲁棒性.     

蚁群算法与免疫算法的融合及其在TSP中的应用

提出一种基于抗体片段局部最优搜索的克隆选择和蚁群自适应融合算法.引入混沌扰动来增加抗体种群的多样性,以提高蚁群算法的搜索能力;利用克隆扩增、免疫基因等相关算子的操作,增强了克隆选择算法搜索的效率;通过自适应控制参数,实现了克隆选择与蚁群优化的有机结合及局部最优搜索策略的应用,加快了收敛速度,克服了抗体种群早熟问题,提高了求解精度.仿真实验结果表明,该算法具有可靠的全局收敛性,较快的收敛速度.     

基于免疫克隆选择和语义计算的自适应资源检索算法

针对传统聚类算法存在的聚类类别数难以确定、易陷入局部极大和无法反映用户反馈的语义信息的问题,提出了一种基于免疫克隆选择和语义计算的自适应资源检索算法.其主要处理环节是使用语义相似度计算公式来计算抗体的免疫优势;引入了自适应优先算子来动态调解聚类类别,检查用户动态反馈的有效性;引入组合因子来增加抗体种群中个体的多样性,以扩大解的搜索范围,避免过早出现早熟现象;实验结果表明,使用该算法比传统聚类算法具有良好的收敛性、稳定性和更高的全局最优.     

基于等级变异的克隆选择算法

提出一种克隆选择算法--基于等级变异的克隆选择算法. 为提高进化中变异的有效性, 算法将变异尺度分成若干等级, 低等级变异有利于跳出局部最优解, 实现全局寻优; 高等级变异有利于局部的高精度寻优.此外, 算法在进化过程中记忆父抗体的变异尺度等级等信息, 并制定有效的变异策略运用这些信息以指导后续进化过程. 采用标准函数测试并与其它优化算法进行对比． 实验结果表明,该算法具有收敛速度快、全局搜索能力强、精度高和鲁棒性好的优点．     

良性进化的自适应遗传算法及其仿真研究

为了搜索函数最优解,基于遗传算法基本理论,提出了良性进化的自适应遗传算法（AGA）。AGA从两个方面改进了标准遗传算法：一是交叉、变异率会自适应调节大小;二是交叉、变异具有方向性。通过对AGA的仿真研究,分析了AGA中参数取值对算法的性能影响。最后把AGA和标准遗传算法进行了仿真比较,结果表明AGA在求解函数最优解问题时具有较强的自适应性和收敛性。