基于动态种群的双重学习粒子群优化算法

粒子群算法的全局勘探能力和局部开发能力的不协调往往会导致算法收敛不精、陷入早熟。针对上述问题,提出了基于动态种群的双重学习粒子群优化算法(DP-DLPSO)。首先将粒子种群划分为勘探子种群和开发子种群,让两个子种群以不同的学习机制引导粒子运动,粒子处于寻优期间时,子群体间无信息交流,如果开发种群陷入局部最优也不会影响到勘探种群的寻优能力;其次,采用动态种群思想,勘探种群将会把好的粒子输送到开发种群中去,增加开发种群中有效解的几率,提高粒子的收敛精度;最后,对开发种群采用高斯扰动策略以提高粒子跳出局部最优的能力。将DP-DLPSO与5个改进粒子群算法进行比较,实验结果表明DP-DLPSO在收敛精度和收敛速度上具有更大的优势。     

多模态函数优化的免疫算法

模拟抗体搜索机制,结合免疫网络理论,提出一种新的优化算法.该算法用抗体表示函数优化解的可能模式,通过构造克隆选择算子完成全局和局部最优解的搜索,利用B细胞网络保持多种抗体并存.典型函数优化测试结果表明,该算法能够较好地实现全局最优解和局部最优解的同步搜索和保持,具有较强的多模态函数优化能力.     

一种解决函数优化问题的免疫算法

介绍了免疫算法的基本概念，以及人工免疫系统中的克隆选择原理，基于该原理，结合遗传策略中的高斯变异算子，提出一种免疫算法来解决函数优化问题。给出了算法的描述，数值实验中选择了几个函数进行优化，并将实验数据结果与传统的遗传算法进行了比较。数据实验结果表明，该免疫算法能够寻找到更优的优化结果，并且在收敛速度上明显优于传统的遗传算法。     

一种基于混沌的自适应免疫进化算法

基于免疫系统的克隆选择机理,利用混沌序列的遍历性,将混沌序列引入算法初始群体的产生和抗体的扩展过程,设计出新的扩展算子,从而提出一种基于混沌的自适应免疫进化算法。用不同测试函数进行仿真实验,结果表明该算法有效,并能以较快的速度完成给定范围的搜索和优化任务。     

基于双种群的动态交换策略的粒子群优化算法

提出了一种基于双种群的动态交换策略的粒子群优化算法.该算法将初始种群划分为两个子群P1和P2,而P1和P2遵循不同的寻优机制,然后通过对个体极值(pBest)和全局极值(gBest)的选取进行调整,并在迭代过程中动态的交换两个子群的个体,从而能够更好的完成多目标优化算法对于Pareto front 的搜索和逼近.通过对标准测试函数的实验,证明了该算法的可行性和有效性.     

启发式自适应免疫克隆算法

基于克隆选择学说,采用浮点数编码,提出了一种新的克隆选择算法.定义了精英克隆变异和启发式交叉2种主要算子;对高亲和度抗体实施小幅变异策略以进行局部搜索,对中等亲和度抗体群实施与高亲和度抗体群进行启发式交叉的策略以加快全局搜索,低亲和度抗体则死亡再生以保持种群多样性;为防止进化停滞,自适应地调整亲和度尺度变换参数.对4个复杂函数的测试结果表明该算法有效地克服了早熟问题,收敛速度快,性能稳定,精度高.     

基于云免疫克隆算法的空车动态优化问题

通过给定的时间轴将动态空车调度优化问题转化为一系列静态调度问题,以效益最大化为目标函数,考虑空车走行的时间对约束条件的影响,构建基于云偏好度的空车动态优化模型,并结合云模型对免疫克隆算法进行改进,提出一种云免疫克隆算法。算法根据应用偏好信息为抗体进行三维编码,通过计算抗体种群的熵进行免疫克隆操作,并利用云模型的分散稳定性对抗体免疫基因进行重组操作与变异操作,改善了向最优解的高效收敛能力。实验结果分析表明,该算法能改善空车动态调度系统的可用性、负载均衡离差、有效时间等方面的性能,满足了动态调度实时计算的实际需求。     

化验室资源调度优化的改进型克隆选择算法

为了提升化验室处理化验单能力,实现资源调度优化,建立了化验室调度模型,引入了克隆选择算子、自适应变异算子以及多种群协同进化思想,提出了改进型克隆选择算法,并运用该算法对化验室处理化验单进行了调度优化。将改进型克隆选择算法与多种类型算法进行对比,结果显示,改进型克隆选择算法能有效改善早熟收敛问题,提高搜索效率,获得最优分配方案,适用于化验室化验单调度问题,满足实际要求。     

用于全局优化问题的混合免疫进化算法

为了克服免疫算法在优化高维多峰函数时存在的早熟收敛问题,提出一种高效的混合免疫进化算法．动态克隆扩张、基于学习机制的超变异和多母体交叉是该算法的主要特点．同时,提出了一种算法性能评价准则,以比较不同算法在优化高维函数时的性能．在实验部分,首先使用经典测试函数测试了混合免疫进化算法的性能;然后,分别在不同的评估次数下比较了自适应差分进化、基本免疫算法和混合免疫进化算法,结果表明免疫进化算法在求解精度、稳定性等方面均明显优于前两种算法．     

混合优化算法

对连续函数的优化问题,本提出了一个模拟退火算法（ＳＡ）与ＰＯＷＥＬＬ直接算法相结合的混合优化算法（ＳＡ－Ｐ）,数值实验表明该算法是有效的。     

一种社会网络搜索免疫优化算法

基于社会网络所表现出的强大的信息搜索和传播能力,提出了一种新颖的免疫优化算法--社会网络搜索免疫优化算法．该算法将优化问题的求解看作是信息的传递过程,利用经典社会网络搜索模型即Kleinberg网络模型的建模方法来构造免疫算法的寻优进化过程．通过网络的结构增长机制,分别由短程连接算子和长程连接算子来引入抗体种群中的新个体．当搜索进行到一定程度时,自适应地调整长程连接搜索概率,避免算法陷入局部极值,能够最终找到目标的最优解．短程连接算子和长程连接算子的引入充分利用了抗体种群的结构信息,加快了种群收敛速度,同时降低了算法陷入局部极值点的概率．通过对复杂函数优化问题的测试、理论分析及实验结果表明,与粒子群算法、克隆选择算法等已有算法相比,新算法可以更好地保持解的多样性,收敛速度快,求解精度高,鲁棒性强．     

自适应免疫克隆选择算法的参数识别

提出了一种被称为是自适应免疫克隆选择算法的新型人工免疫算法,此方法可进行系统的参数识别,以解决结构的多目标优化问题.此种算法将二阶响应、适应性变异准则和疫苗因子这三种算子都引入到遗传克隆选择算法中,提高了运算的收敛速度及全局优化搜索能力.对动力系统参数识别的模拟识别结果证明了本文所提出算法的有效性与可行性.     

免疫克隆算法在多目标无功优化中的应用

基于免疫克隆算法,对电力系统无功优化的特点和系统负荷变化情况,重点研究了电力系统的智能动态无功优化问题.免疫克隆算法提出了一种新颖的求解方式,提高了算法的收敛速度,同时也保证了算法能够更好的向着最优Pareto-前端搜索,同时也保证了Pareto-最优解分布的均匀性,对电力系统无功优化提供了很好的基础.     

无约束优化问题的多种群混合类电磁机制算法

在分析了标准类电磁机制算法不足之处的基础上,提出了一种处理无约束优化问题的新的类电磁机制算法。新算法用两个种群进化,从两个进化种群中选出优势个体互相学习,交换信息;提出了基于粒子电荷量和它们之间距离的自适应调节的新的受力计算公式。仿真试验结果表明,和已有算法相比,该算法能有效克服早熟收敛,具有收敛快、求解性能好的优点.     

基于动态克隆选择算法的病毒检测模型

为了更加有效地检测病毒变种和未知病毒,受生物免疫系统的启发,提出了一种基于人工免疫系统(AIS)的计算机病毒检测模型.通过引入动态克隆选择算法并对其改进,解决了训练过程中自我空间静态固定的问题,提高了病毒检测系统对于不断变化病毒环境的动态适应能力.实验结果表明,该模型拥有较强的自适应能力,可有效地检测病毒程序,并且具有较低的误报率.     

基于自适应参数混合蚁群算法的双资源约束作业车间调度

文章针对以生产成本最小为目标,考虑差异性工人的双资源约束作业车间调度问题,提出参数按算法迭代结果自适应调整,基于蚂蚁流量自适应控制路径选择的混合蚁群算法,在算法前期扩大解搜索空间,后期加快算法收敛,实现算法性能的分阶段性能优化。通过对仿真实验结果的分析,该混合蚁群算法能有效求解双资源约束车间调度问题,且能够在保证得到较优调度结果的同时,具备优秀的收敛性能。     

基于生物免疫原理的过滤器算法研究

从实际应用的角度,分析了负检测方法的局限性,针对网络入侵检测的效率问题,构建了一个具有动态自适应性的过滤器系统,对过滤器检测元的生成算法进行了深入的研究。根据正选择算法识别自我的独特性,借鉴动态科隆选择算法的思想,以正选择算法为核心并结合数据挖掘技术来确保检测器的生成效率及检测效率。     

免疫算法

首先对免疫算法作了介绍，并与其它非确定性算法进行了比较，随后介绍了现有的几种免疫算法及其实现步骤、应用情况。     

免疫算法及其应用研究进展

阐述了免疫算法的基本概念,对几种传统的典型算法进行了讨论,包括基于群体的免疫算法(否定选择算法、克隆选择算法)和基于网络的免疫算法、免疫遗传算法等;同时引入并分析了几种新型算法模型:免疫策略算法、模糊AIS(artificialimmune system)和危险模型等.最后在克隆选择原理的基础上,提出了一种改进的并行免疫进化算法框架,并对算法机理和运行流程进行了描述,对其应用领域进行了探讨.