自适应多模态免疫进化算法的研究与实现

基于免疫系统的动力学模型,根据一类抗体可结合多个抗原表位并逐步达到亲和度成熟的机理,研究并实现了一种多模态免疫进化算法(MIEA)．算法的主要算子包括正选择、记忆细胞产生、超变异和抗体相似性抑制．对不同的多峰值函数进行的仿真实验证明,算法能够找到多模态问题的全部最优解或尽可能多的局部最优解．通过与同类算法进行比较和计算复杂性分析表明,该算法不仅计算量小、具有更好的搜索性能,而且无需任何先验知识,可实现真正的自适应搜索．     

基于平衡峰值和梯度进化策略的多模态免疫算法

通过考察现有的多模态优化算法,指出其存在的不足,并根据它们对峰值等高函数搜索效果较好,而对峰值不等高函数效果较差的共同特点,提出评价函数的平衡峰值策略并加以实现.基于免疫系统的抗体进化机制,集成传统的梯度进化思想,设计一种新的多模态免疫算法(MIA).给出算法主要操作算子的具体实现,并分析其运行机理、完全收敛性和计算复杂性.通过仿真实验,验证算法求解多模态问题,特别是求解具有不等高多峰函数的有效性、完全收敛性及快速收敛能力.     

多模态优化问题的邻域低密度个体差分进化算法

针对多模态优化问题(MultiModal Optimization Problems,MMOPs)的求解,提出了一种基于邻域低密度个体的差分进化算法.该算法在每一代,首先使用密度峰值聚类的方法求得每一个个体的密度,然后,将当前个体邻域范围内密度更低的个体作为变异算子的基向量,随着种群的进化,算法将会自动从探索阶段转化为...     

基于广义凸下界估计的多模态差分进化算法

针对多模态优化问题,提出了基于广义凸下界估计模型的改进差分进化算法。首先,基于模型变换方法将原优化问题转变为单位单纯形约束条件下的严格递增射线凸优化问题;其次,基于广义凸理论,利用差分进化算法中更新个体的适应度知识,建立原优化问题广义凸下界估计模型,设计实现了基于 N-叉树的估计模型快速计算方法;进而,综合考虑原问题目标值与其估计值之间的差异,提出一种基于有偏采样的小生境指标,并设计区域进化树更新策略来保证算法的局部搜索能力。数值实验结果表明,提出的算法能够有效地发现并维持一定数量的满意解模态,动态地实现全局模态搜索到模态内局部增强的自适应平滑过渡。对于给出的测试问题,能够发现所有的全局最优解以及一些较好的局部极值解。     

基于免疫原理的量子进化算法及收敛性研究

分析量子进化算法的特点及免疫进化的机理,提出一种基于免疫算子的量子进化算法．该算法通过免疫克隆选择、免疫细胞交叉变异、记忆细胞产生、抗体相似性抑制等进化机制,可以最终找出最优解,比传统的量子进化算法具有更好的种群多样性,更快的收敛速度和全局寻优能力．不仅从理论上证明了所提出算法的收敛性,而且通过仿真实验表明了该算法的优越性．     

基于局部抽象凸支撑面的多模态优化算法

在基本进化算法框架下,结合抽象凸理论,提出一种基于局部抽象凸支撑面的多模态优化算法.首先,采用模型变换方法将原优化问题转变为单位单纯形约束条件下的严格递增射线凸松弛问题;其次,针对新生成个体的邻域信息构建局部抽象凸支撑面,并利用局部下界知识动态识别种群模态,从而减少替换误差,避免出现早熟现象;最后,借助支撑面下降方向进一步实现模态内部的局部增强过程.数值研究表明,针对给定的绝大部分测试问题,提出的算法在精度和可靠性指标方面均优于文中给出的其他算法.     

基于克隆进化选择算法的多目标优化研究

把免疫系统的克隆选择学说与生物进化法则应用到多目标优化计算中,引入免疫克隆学说的记忆单元体,使用聚类方法对其中的抗体进行不断的优化更新和劣体淘汰;采用非均匀变异操作促进种群抗体的多样性;通过抗体间亲和度体现种群中个体的竞争,抗体与抗原亲和度来抑制过度的竞争,维持种群广泛性.最后由计算机仿真实验,并与NSGA-Ⅱ算法比较了两者的收敛性和分布性,证明由克隆进化算法得到的结果距离真实Pareto曲线更接近,分布更均匀、范围更广泛.     

一种多模态单亲遗传算法

遗传算法在处理复杂的、多模态优化问题时常不十分有效,很难同时搜索多个峰点.这主要是由全局选择机制和交叉算子引起的.针对上述不足,本文提出了一种多模态单亲遗传算法,目标不是发现一个最优解而是多个最优或次优解的集合.主要是对交叉算子和选择机制作了改进,群体中个体能较好地保留自己的遗传特性,大大增强了种群个体的分散性.该方法不仅易实现并行或分布计算,且群体规模可以任意选取.仿真结果验证了算法的有效性.     

多模态多目标优化综述

随着工业生产和日常生活需求的多样化,单个解决方案己经无法满足生产生活的需求.多模态优化可以为决策者提供多个可行方案,但是早期对多模态优化的研究局限在单目标优化中.在多目标优化中也存在多模态优化问题,其存在多个全局或局部帕累托最优解集,找到这些最优解集具有重大的理论和实际意义.鉴于此,首先,介绍多模态多目标优化问题的特点...     

基于确定性拥挤的多模态郊狼优化算法

为了解决多模态优化问题,对郊狼优化算法进行研究,提出了一种基于确定性拥挤的多模态郊狼优化算法—DCCOA.将小生境技术的确定性拥挤方法引入郊狼优化算法中,定义了新的郊狼进化机制,改进了郊狼群组文化趋势的计算方法.同时,为了更真实地模拟郊狼的种群生活,算法还定义了2只阿尔法郊狼并且采用了权重法更新郊狼的社会状况.最后将D...     

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。     

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).     

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。     

基于免疫算法的细菌觅食优化算法

针对细菌觅食优化算法经常出现的速度较慢、步长一致的缺陷,赋予细菌灵敏度的概念,对细菌游动的步长进行调节以提高收敛速度。采用免疫算法中的克隆选择思想,对精英细菌群体进行克隆、高频变异和随机交叉,引导算法提高搜索精度。典型高维函数测试表明,改进算法的搜索速度和精度得到极大提升,算法改造后可适用于多维、约束等实际工程问题中的优化。     

免疫遗传算法的混合动力汽车多目标优化

以混合动力汽车传动系统参数与控制策略参数为优化变量,以最小燃油消耗和尾气排放量（CO+HC+NOx）为优化目标,以动力性能与电池荷电状态平衡作为约束条件,建立多目标优化模型,并使用权重系数法将多目标函数优化问题转化为单目标问题。提出了基于免疫遗传算法优化混合动力汽车参数的优化方法,该算法采用实数编码,通过调用ADVISOR的后台函数,建立联合优化仿真模型。仿真结果表明,该算法可有效降低车辆的燃油消耗,减少CO与HC排放量,能够较好地解决带有约束的混合动力汽车的多目标多参数优化问题,可以获得一组具有低油耗与低污染物排放的传动系统与控制策略参数,供决策者选择。     

基于免疫细胞分离进化的聚类算法研究

免疫细胞是生物免疫系统中的重要成分,它在整个生命周期的演变过程决定了免疫系统的性能。成熟免疫细胞和记忆免疫细胞的相互进化过程,体现出良好的识别、分类作用。通过借鉴免疫细胞的不同进化机理而抽取的聚类算法是一种新的聚类算法,能有效地提取数据的有用信息,表现出了其良好的应用前景。     

求解高维多模优化问题的正交小生境自适应差分演化算法

针对传统优化算法在求解高维多模态优化问题时存在收敛速度慢、求解精度低的问题,提出一种基于正交设计与小生境精英策略的自适应差分进化算法ONDE。首先利用正交表产生初始种群,然后采用小生境精英策略来产生小生境种群(NP),并用小生境种群更新精英个体;接着应用拥挤裁剪避免种群陷入局部搜索,最后利用自适应差分变异算子改进了差分进化(DE)算法。通过对7个benchmark函数仿真验证,实验结果表明,算法在收敛速度、求解精度和稳定性方面都有较大优势。     

An immune multi-objective optimization algorithm with differential evolution inspired recombination

According to the regularity of continuous multi-objective optimization problems (MOPs), an immune multi-objective optimization algorithm with differential evolution inspired recombination (IMADE) is proposed in this paper. In the proposed IMADE, the novel recombination provides two types of candidate searching directions by taking three recombination parents which distribute along the current Pareto set (PS) within a local area. One of the searching direction provides guidance for finding new points along the current PS, and the other redirects the search away from the current PS and moves towards the target PS. Under the background of the SBX (Simulated binary crossover) recombination which performs local search combined with random search near the recombination parents, the new recombination operator utilizes the regularity of continuous MOPs and the distributions of current population, which helps IMADE maintain a more uniformly distributed PF and converge much faster. Experimental results have demonstrated that IMADE outperforms or performs similarly to NSGAII, NNIA, PESAII and OWMOSaDE in terms of solution quality on most of the ten testing MOPs. IMADE converges faster than NSGAII and OWMOSaDE. The efficiency of the proposed DE recombination and the contributions of DE and SBX recombination to IMADE have also been experimentally investigated in this work.