基于人工免疫算法的电梯交通动态分区的优化

提出了一种利用新兴的人工免疫算法优化电梯高峰客流动态分区的新方法,实现了非连续楼层的优化计算．剖析了电梯交通的动态分区模型,设计了动态分区模型的人工免疫算法,并对之做了比较仿真研究．仿真结果表明,基于该算法的动态分区在处理客流分布不均匀的电梯交通时,表现出良好的性能．该算法能快速地找到电梯交通的最优分区或者次最优分区,具有一定的应用价值．     

基于人工免疫聚类算法的电梯交通流分析

采用人工免疫聚类算法对某大楼一周内的电梯交通流进行了分析．利用人工免疫算法的免疫激励和免疫抑制机制，对电梯交通的5分钟原始客流数据进行压缩，得到了特点鲜明的电梯交通流人工免疫记忆数据集．以最小支撑树为工具，采用最短距离法对记忆数据集进行分类，所得结果清晰地体现了电梯交通流的实际特性．该算法为电梯群的控制与调度提供了有力的理论支持．     

基于人工免疫粒子群优化算法的动态聚类分析

模糊C-均值聚类算法受初始化影响较大,在迭代时容易陷入局部极小值。将粒子群优化算法与模糊G-均值聚类算法相结合,提出一种新颖的动态聚类算法。该算法利用人工免疫思想改进粒子群优化过程,在很大程度上避免了粒子群算法和聚类算法早熟现象的发生,全局搜索能力和局部搜索能力优于同类算法。利用聚类理论中的经验规则kmax≤√n确定聚类数k的搜索范围,在最优粒子基础上进化新一级种群,该方案可有效提高算法的收敛速度。两组数据的仿真实验表明,新算法优于传统模糊C-均值聚类算法,具有收敛速度快和解的精度高的特点。     

人工免疫算法的改进

简要介绍了标准人工免疫算法的工作原理,为了克服其存在的不足,该文提出一种改进的人工免疫算法,并用多峰值函数对两种算法进行了比较.实验结果表明,该文提出的改进的人工免疫算法较标准人工免疫算法更为有效.     

基于人工免疫算法的导弹火力分配

人工免疫算法是一种近年来新发展起来的优化算法,目前它已被广泛应用于解决许多实际问题,如函数优化、图像处理、组合优化、网络安全、知识发掘、电网规划等许多领域。本文通过对人工免疫算法的研究,阐述其在导弹武器火力分配上的应用。首先描述了导弹火力分配优化问题,并建立了其数学模型;然后设计和实现了一种人工免疫算法;最后运用人工免疫算法求解了该问题。     

基于人工免疫算法的墙体隔声反向预测

隔声量主要取决于墙板的面密度、材料的杨氏模量和墙的厚度，所测数据参量可以通过资料和实测获得．随着杨氏模量测试技术的发展，这些量越来越精确可靠．文中探讨如何在已知隔声要求的前提下，确定这3个参量，从而确定墙体的材料和构造、为此，在应用统计能量分析法进行建筑隔声预测的基础上，采用人工免疫算法建立单墙的隔声反演模型，在已知期望隔声量的情况下，对墙体的面密度、厚度和杨氏模量（或声波的纵波速度）等参数进行了反向预测，从而可以确定墙体材料和厚度等构造参数。     

基于人工免疫算法的网络安全态势预测

网络安全态势预测能基于管理者提供的历史信息和当前时刻的网络安全态势,对未来时段的网络安全态势进行预测。为了有效实时地进行网络安全态势预测,提出了一种基于人工免疫算法的网络安全态势预测方法。首先,建立基于神经网络的网络安全态势预测模型,然后通过BP反向传播算法对网络进行训练,在此基础上,采用人工免疫算法来优化网络的结构和神经网络的态势预测值,该算法对亲和度函数、抗体的复制和抑制方法等均进行了设计。在KDDCUP99数据集中,对所提方法进行了验证,实验结果表明该方法能有效进行网络安全态势的验证,并且与其他方法相比,具有更好的检测率。     

用于多机电力系统动态等值的慢同调分区算法

本文根据电力系统结构特点探讨了慢同调与弱耦合之间的关系，给出了一种有效的慢同调分区算法，该方法避免了特征值和特征向量的计算，提高了计算速度，因此适用于多机电力系统暂态稳定的分析和计算，并以１５机８３节点电力系统为例，验证了这一方法的有效性。     

基于人工免疫算法的神经网络电力系统短期负荷预测

在BP神经网络（Baek-propagatlon neural network, BPNN）模型中引入人工免疫算法（Artificial Immune Algo-rithm,AIA）,给出了AIA-BPNN模型,基本思想是结合AIA算法的搜索特性和BPNN 模型的优良性能,可以进一步提高学习能力．与实际电力系统结合构造了AJA-BPNN电力系统短期负荷预测模型,通过使用AIA算法,优化BPNN的权值和阈值。使BPNN权值和阈值选择的盲目性得以克服．     

人工免疫C-均值聚类算法

通过借鉴生物免疫系统中的克隆选择原理和记忆机制，提出了一种人工免疫C-均值混合聚类算法．该算法采用了新的克隆选择方法，通过亲和度排序和个体浓度定义了个体的选择概率，从而可确定个体的适应值评价函数，以评价和选择个体．算法还集成了一种C-均值搜索算子，用于加快收敛速度．在聚类数目已知的情况下，所提算法能够得到给定数据集下的全局最优划分，与基于遗传算法的聚类方法比较，它具有更快的收敛速度和更高的收敛精度，并可扩展到性能指标能够表示为优化聚类中心函数的聚类模型之中．仿真结果表明，所提算法是有效性的．     

基于独特型网络动力学模型的人工免疫算法

针对传统人工免疫算法中相似度、浓度以及抗体现有评价方式存在的缺陷，采用独特型网络动力学模型，通过改进亲和力计算方法，使之综合表达函数值和抗体相似程度的信息，以抗体的浓度作为适应值，提出了一种基于独特型网络动力学模型的人工免疫算法．仿真结果表明，这种算法对多模态函数优化是有效的，其搜索效率及收敛速度均优于常见的人工免疫网络算法Opt—aiNet．     

基于免疫原理的动态多播路由算法

为了避免传统启发式算法在求解多播路由问题时存在的过早收敛问题,提出了一个新的动态多播路由免疫算法(DCOMIA),此算法利用克隆选择和基因库的思想改善了群体的多样性,并评估了二进制串表示的候选个体.同时,提出了一个改进了的动态约束多播路由问题(MDCMR),试验结果表明:此算法求解该动态多播问题是高效的.     

一种求解TSP问题的改进人工免疫算法

TSP(旅行商)问题作为经典的组合优化问题,已经被证明是一个NP难题。文中提出一种基于改进的人工免疫算法的TSP求解方法。算法模拟了抗体的蛋白质多肽链结构、免疫系统的克隆选择机制以及浓度调节机制,使用了一种新的抗体间的相似性判断方法。另外,在算法的变异算子中还融合了贪婪算法。这些改进使得算法的搜索性能得到提高。实验结果表明与标准遗传算法相比,该算法全局搜索能力强、收敛速度快。     

基于免疫机理的动态函数优化算法

基于免疫细胞在生发中心反应时的进化与学习机理，提出了一种新的动态函数优化算法．该算法模拟了多群体细胞以及细胞的多样性、再循环和免疫记忆功能，其特点是，由基群体和克隆群体产生多个搜索子群体，群体细胞的亲和度会反向调节它的变异率，产生并更新大小有限的记忆细胞池，连续检测函数是否变化．用移动峰函数作为动态环境下的测试基准，以离线误差的平均值作为算法性能的评价指标进行了仿真实验．结果表明，所提算法能够在函数变化频率不大的情况下，以较小的平均误差和方差逼近函数最优值，完成动态函数的优化任务。