基于多模态函数优化的改进克隆选择算法

文章分析了deCastro和VonZuben在2002年提出的用于多模态函数优化的克隆选择算法(CLONALG)的不足,并且运用小生境技术、记忆方法、梯度法和相似性抑制法对该算法进行了改造,提出了小生境克隆选择算法(NCSA)。利用马尔柯夫链为数学工具,从理论上证明了NCSA的完全收敛性(CompleteConvergence)。该算法与CLONALG进行了仿真比较实验,不仅验证了NCSA理论上的完全收敛性结论,同时验证了所提算法对于求解多模态问题更为有效,且具有很好的稳定性。     

一种新的免疫算法及其在多模态函数优化中的应用

提取免疫应答的部分简化机制并结合小生境技术,提出一种用于多峰值或非连续函数优化的免疫算法.该算法由记忆细胞获取、克隆选择、亲和突变及群体更新这四种算子模块构成.这些算子的有机组合不仅为最优化问题的解决提供了实用新方法,而且反映了抗体应答抗原的简化运行机制.算法设计的重点是借鉴小生境共享实现方法的思想建立有助于增强群体多样性及保留优良抗体的记忆细胞获取算子,以及利用亲和成熟机理设计抗体突变算子.所获算法具有整体和局部搜索能力及并行搜索特点.理论证明了其收敛性.仿真事例比较表明此算法不仅是有效的,而且能快速搜索到多个最优解(针对于多解最优化问题).     

求解多模态函数优化的微果蝇优化算法

研究求解偏高维多模态函数优化的小种群果蝇优化算法．算法设计中,优质种群经局部变异探测优质个体;中等种群经精英个体引导实现个体转移;劣质种群依赖于精英和劣质个体沿着多方位搜寻多样个体．该算法具有结构简单、可调参数少、进化能力强等优点,其计算复杂度低．比较性的数值实验显示,此算法寻优能力强、搜索效率高且对偏高维函数优化问题具有较好应用潜力．     

面向多模态函数优化的回溯克隆选择算法

针对多模态函数优化问题,提出了一种基于回溯机制的改进克隆选择算法--回溯克隆选择算法（BCSA）,采用改进回溯机制和记忆库抗体抑制策略,保持了抗体的多样性,以增强算法的全局搜索能力;通过改进动态变异、选择与交叉操作提高算法收敛速度。典型的多模态函数测试结果表明：回溯克隆选择算法具有优良的全局搜索能力和搜索效率。     

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     

改进型人工免疫网络多模态函数优化算法

基于独特型免疫网络理论,提出一种改进的免疫网络算法。为克服传统免疫网络算法对抗体种群规模的过于敏感性,以及算法计算量过大的问题,新算法引进一种新的均匀对称抗体变异成熟机制和子群稳定判定方法;为提高种群的多样性,体现生物免疫网络动态平衡调节机制,算法采取一种基于抗体浓度和亲和度矢量距的选择方法。同时根据随机过程相关理论,对算法的全局收敛性进行了分析和证明,最后将算法应用于多模态函数优化问题,并同其他免疫网络算法进行了比较,实验结果验证了该算法的有效性。     

多模态函数优化的小生境蚁群算法及其仿真分析

结合蚁群算法基本原理,设计一种解决多模态函数优化问题的小生境蚁群算法(NACA),算法采用实数编码,通过对NACA仿真研究,并和相关算法的仿真结果进行比较分析,结果表明NACA具有参数易于选择、适应性强、收敛性好等优点,非常适合于求解同时具有多个最优解或需要搜寻局部最优解的多模态函数优化.     

遗传算法求解多模态优化问题的动力性

多模态函数一般存在多个局部极值解, 局部极值解处适应值的大小很大程度上影响了它们被遗传算法搜索到的概率. 为了弄清楚这种影响机制, 通过分析基因池遗传算法的无限种群动力系统, 刻画了双峰函数局部极值解的适值差与系统不动点之间的解析关系, 进一步分析推广了理论结果的适用范围. 最后, 提出针对多模态优化问题的两阶段遗传算法, 给出了应用理论结果改善遗传搜索性能的范例, 实验结果表明该算法对多模态函数的搜索性能有明显改善, 从侧面证明了理论结果在实际应用中的正确性.     

变步长自适应萤火虫群多模态函数优化算法

针对萤火虫群优化（GSO）算法优化多模态函数存在收敛速度慢和求解精度不高等缺陷,提出一种变步长自适应萤火虫群优化算法（CSGSO）。该算法主要思想是在GSO算法中引入搜索成功与失败概念,在每次迭代中萤火虫个体据其搜索成功或失败,加大或减小其搜索步长,使算法具有动态自适应性。实验结果表明,该算法可有效地解决GSO算法优化多模态函数存在收敛速度慢和求解精度不高的问题,增强了GSO算法优化多模态函数的性能;与其他算法相比,提出的算法具有操作简单、容易理解、收敛速度快和求解精度高等优点。     

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。     

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。     

种群自适应调整的克隆多峰函数优化

为了尽可能求得多峰函数的最优解,提出了一种种群规模自适应调整的克隆算法。实现了种群规模根据进化过程自适应的变化,平衡了种群规模对算法效率的影响。此外,结合多峰函数优化的特点,为了增强算法搜索最优解的能力,采用Larmack学习策略作为局部搜索机制。实验结果表明,该算法求解效果较好。     

一种改进的克隆函数优化算法*

为了提高免疫克隆算法的寻优能力,借鉴生物免疫系统的Baldwin效应及生物进化的周期性,提出了一种Baldwin效应的正向和反向学习机制,克服纯粹随机进化;利用生物进化的周期性,设计了周期变异算子,提高算法的收敛速度。在函数测试问题上的仿真实验表明,该算法求解精度较高、寻优能力较强。     

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。     

LS-SVM时间序列预测 ——免疫文化基因算法进行LS-SVM参数选优

针对最小二乘支持向量机（LS-SVM）在时间序列预测中的参数不确定问题,在训练阶段,使用结合了全局搜索和局部搜索的免疫文化基因算法来进行参数寻优。实验中通过对Lorenz时间序列和建筑能耗的两组预测实验,对比了免疫文化基因算法、遗传算法和网格搜索算法对LS-SVM参数的优化效果,证明了免疫文化基因算法的优化效果最好,且LS-SVM的预测精度比支持向量机（SVM）和BP网络预测都要高。     

基于免疫量子遗传算法的多峰函数寻优

针对多峰函数优化中的全局及局部寻优问题,提出了一种结合免疫克隆算子的量子遗传算法,给出了实现流程。该算法集量子遗传算法的快速性和免疫克隆算法全局搜索性于一身。它不仅有效克服了量子遗传算法容易陷于局部最优的缺点,也避免了普通免疫克隆算法计算缓慢的缺点。用多峰值函数进行了全局寻优的仿真实验,并与基本遗传算法,量子遗传算法的计算结果进行了比较,结果表明所提算法能以较快的速度搜索到全局最优解,并且其鲁棒性远高于普通量子遗传算法和遗传算法。     

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．     

一种基于免疫和Hopfield神经网络的多峰值优化算法

分析了免疫算法和Hopfield神经网络的优缺点,提出了一种解决多峰值函数优化问题的混合算法。Hopfield神经网络易于硬件实现,具有简单、快速的优点,但是对初始值具有依赖性以及容易陷入局部极值。免疫算法具有识别多样性的特点,但搜索效率和精度不高。将两算法结合起来,优势互补。首先用免疫算法寻优,然后对所得具有全局多样性的解进行聚类分析,所得聚类中心作为Hopfield神经网络的初始搜索点,最后利用Hopfield神经网络逐个寻优。实验表明,该算法是一种有效的求解多峰函数优化问题的方法,与免疫算法相比,搜索效率和精度都较高。     

基于云模型的量子免疫优化算法

采用云模型对量子免疫算法进行了改进,采用量子种群基因云对种群进化进行定性控制,基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,使其能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明该算法可以避免陷入局部最优解,能提高全局寻优能力,能以更快的速度收敛于全局最优解,具有较好的应用价值。