采用非固定多段映射罚函数的非线性约束优化差分进化算法

采用非固定多段映射罚函数法处理问题的约束条件,提出了一种用改进差分进化算法求解非线性约束优化问题的新方法.结合差分进化算法两种不同变异方式的特点,引入模拟退火策略,使算法在搜索的初始阶段有较强的全局搜索能力,而在后阶段有较强的局部搜索能力,以提高算法的全局收敛性和收敛速率.用几个典型Benchmarks函数进行了测试,实验结果表明,该方法全局搜索能力强,鲁棒性好,精度高,收敛速度快,是一种求解非线性约束优化问题的有效方法.     

基于免疫网络调节机理的混沌超变异免疫算法

根据生物免疫系统中存在的免疫网络调节机理,提出了一种实数编码的混沌超变异免疫算法,该算法结合克隆选择原理和混沌理论建立新的混沌超变异操作,增强了算法局部搜索能力.同时基于免疫网络数学模型设计抗体的激励水平,并以此作为抗体群免疫网络调节的依据,保持了抗体群的多样性.最后将其应用于函数优化问题,结果表明该算法的收敛性能优于克隆选择算法,而且能够有效克服早收敛问题.     

基于一种加速收敛变异策略的交互式遗传算法

针对目前交互式遗传算法由于使用小规模的种群和较少的进化代数,容易导致算法的搜索能力有限、易陷入局部优化的问题,在引入一种加速收敛变异策略的基础上,提出一种新的交互式遗传算法。给出了算法设计实施中关键问题的处理,分析了算法的效率,并通过函数优化和服装设计问题的仿真实验验证变异策略和算法的有效性。     

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索.PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值.通过对PSO算法的深入分析,基于传统的速度--位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力.测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能.     

基于最小二乘支持向量机的自适应差分进化算法

差分进化(DE)算法具有操作简单,控制参数少,鲁棒性好等特点,但在对某些连续空间复杂函数进行优化时存在搜索盲目性较大、效率不高的问题.为此提出一种基于最小二乘支持向量机(LS-SVM)的自适应DE算法,该算法改进了标准DE算法的差分变异和交叉等关键遗传操作,引入了基于LS-SVM的种群进化引导策略,基于LS-SVM对种群n最优训练集数据进行回归函数逼近和优化,分析了种群进化引导策略的自适应应用条件,给出了算法的整体流程及各关键步骤的复杂度.对标准测试函数的对比优化结果表明,改进算法相比标准DE算法具有更好的全局寻优能力和更高的优化效率,可以满足对连续空间复杂函数优化问题的可靠、高效求解.     

求解约束优化问题的改进粒子群算法

针对高维复杂约束优化问题,提出了一种基于平滑技术和一维搜索的粒子群算法(NPSO)。该算法使粒子的飞行无记忆性,结合平滑函数和一维搜索重新生成停止进化粒子的位置,增强了在最优点附近的局部搜索能力;定义了不可行度阈值,利用此定义给出了新的粒子比较准则,该准则可以保留一部分性能较优的不可行解微粒,使微粒能快速的找到位于约束边界或附近的最优解;最后,为了扩大粒子的搜索范围,引进柯西变异算子。仿真结果表明,对于复杂约束优化问题,算法寻优性能优良,特别是对于超高维约束优化问题,该算法获得了更高精度的解。     

基于帕累托前沿关系求解约束多目标优化问题

为解决约束多目标优化问题中的平衡约束满足与目标函数优化以及可行域复杂等挑战,提出了基于不同帕累托前沿关系的分类搜索方法。提出一种双种群双阶段框架：进化一个辅助种群Pa和一个主种群Pm,并将进化过程分为学习阶段和搜索阶段。学习阶段,种群Pa向UPF(unconstrained Pareto front)进行搜索,而种群Pm向CPF(constrained Pareto front)进行搜索,旨在探索UPF与CPF之间的关系;完成学习后,对不同问题的UPF与CPF关系进行分类,以指导后续搜索策略;在搜索阶段,根据不同的分类关系,调整种群Pa的搜索策略,旨在使种群Pa为种群Pm提供更有效的辅助信息。基于此算法框架,对不同类型约束多目标优化问题的帕累托前沿关系进行了分类,实现了对CPF更有效的搜索。实验结果表明：所提算法与其他7种先进的约束多目标优化算法相比具有更显著的性能优势。通过学习与利用UPF与CPF的关系,能够选择更合适的搜索策略去应对具有不同特性的约束多目标优化问题,以获得更具优势的最终解集。     

矩形平面稀布阵旁瓣电平的免疫算法优化

首次采用免疫算法对稀疏阵列的方向图综合问题进行了研究。针对矩形平面稀布阵的结构特点,推导了克罗内克积形式的位置阵列因子这一新参数,减少了运算量,提高了运算速度;并对免疫算法进行了改进,通过采用自适应克隆和高斯变异等操作克服算法搜索的盲目性,提高了算法的搜索效率。针对阵元位置分布和激励幅度的特点依次应用二进制免疫算法和实数免疫算法来优化矩形平面稀疏阵列的旁瓣电平,表明了免疫算法的灵活性和有效性;采用免疫算法的优化结果要明显优于采用基本遗传算法的,表明了免疫算法具有更好的全局收敛特性。     

QoS动态变化的服务选择算法

由于现代战争的快节奏和异常激烈,在面向服务的军事综合电子信息系统中候选服务的服务质量往往随时间快速变化,有时还有服务的加入和退出,现有组合服务选择方法很难应对这种场景. 提出了一种基于危险理论的动态约束多目标免疫克隆算法（DCMOICADT）用于QoS动态变化的服务选择. 首先将基于QoS的军事信息服务选择问题建模为带QoS约束的动态多目标组合优化问题,接着采用基于危险理论的动态约束多目标免疫克隆算法同时优化多个目标函数,最终产生一组满足约束条件的Pareto最优解服务组合集. 对比实验结果表明,DCMOICADT设计了环境感知因式用于描述QoS动态变化,使用Pareto-占优集和有益不可行解协同的免疫进化方案,能根据当前环境的变化快速且自适应地调整各免疫操作,所得最优解集具有较好的多样性和较强的逼近性,能有效解决QoS 动态变化的军事信息服务选择问题.     

基于ε-约束方法的增广Lagrangian多目标协同进化算法

介绍了一种利用协同进化算法求解多目标优化问题的算法。这种算法首先采用ε- 约束方法对多目标优化问题进行处理 ,使其转化为一个单目标带约束的优化问题 ;然后 ,采用增广Lagrangian方法把这个单目标约束优化问题转化成一个存在鞍点的二人零和博弈问题 ;最后 ,利用协同进化的思想 ,用两个种群分别表示目标函数和约束这两个局中人 ,对这个二人零和博弈问题求解。进化过程中的选择、重组和变异算子均采用简单遗传算法(SGA)的机制。通过对两个实验测试问题的研究可以看出 ,这种算法比其它同类进化算法所得的结果要精确、稳定。     

一种改进的自适应免疫进化规划方法及其应用

结合免疫系统的机理和进化规划原理,对免疫进化规划进行改进。即引入多样性函数和群体局部退化相结合的方法,对克隆细胞进行选择和更新,增强群体信息的多样性,克服近亲细胞过度繁殖而引起早熟收敛;利用双曲正切函数,无须区分亲和度界限,决定个体细胞的变异率,实现细胞群的自适应变异;选择亲和度高的一半细胞作为记忆细胞,利用其替换原始细胞群亲和度低的细胞。对各部分改进的原因和优点进行了分析,给出了算法的主要步骤,并对自适应免疫进化规划的收敛性进行了说明。最后用不同的测试函数进行仿真实验,结果表明了方法的有效性。     

一种新的免疫进化算法及其性能分析

基于免疫系统中的进化机理，提出了一种免疫进化算法。首先引入了邻域概念，并通过定义扩展半径和突变半径两个新算法参数而构造了较小和较大两个邻域。进而给出了扩展和突变操作分别利用这两个邻域进行局部和全局搜索，实现了从全局到局部的两层邻域搜索机制。分析了算法的优化机理和收敛性。仿真结果表明该算法具有不易陷入局部最优、解的精度高、收敛速度快等优点。     

基于免疫遗传算法的多目标柔性作业车间调度研究

研究了多目标柔性作业车间调度问题,提出了一种改进的自适应免疫遗传算法。算法根据搜索的历史信息,自适应的调整遗传过程中的遗传参数以提高算法的稳定和效率。针对遗传算法的局部搜索能力差和全局搜索效率低的问题,结合免疫算法的免疫记忆和接种疫苗,对各近似最优解进行动态邻域搜索,提高算法的局部搜索能力和解的质量;免疫反馈和免疫选择能淘汰相似个体,维持种群的多样性,避免算法陷入早熟,改善算法的性能和稳定性。最后通过仿真实例验证了算法的有效性。     

Improved algorithms to plan missions for agile earth observation satellites

This study concentrates of the new generation of the agile （AEOS）. AEOS is a key study object on management problems earth observation satellite in many countries because of its many advantages over non-agile satellites. Hence, the mission planning and scheduling of AEOS is a popular research problem. This research investigates AEOS characteristics and establishes a mission planning model based on the working principle and constraints of AEOS as per analysis. To solve the scheduling issue of AEOS, several improved algorithms are developed. Simulation results suggest that these algorithms are effective.     

改进的免疫算法及其在函数优化中的应用

为了提高免疫算法的搜索能力,根据生物免疫机制及生物进化的周期性,设计了一种周期变化变异算子。为了避免仅仅以亲和度作为免疫选择评价标准,低亲和度抗体过度抑制,提出了将抗体浓度引入到亲和度中作为评价指标,设计了一种改进的免疫选择算子。基于马尔科夫链,分析了改进免疫算法的收敛性。为了测试该算法的有效性,将算法应用于函数优化问题中。仿真结果表明,改进的免疫算法具有更高的搜索速度和精度。     

复杂工业过程中分布式免疫控制算法的研究

针对工业过程中子系统同构异参难以控制的问题,提出了一种获取控制规则的方法。该方法效仿人工免疫网络维持免疫应答稳定平衡的机理在线学习不同操作工人的控制经验,通过免疫进化和学习来优化已有的控制经验,并对该算法进行了初浅分析,且应用于生物发酵罐的温度控制。仿真和实验表明:该算法具有分布学习的能力,控制效果优于手工控制,能够较好的解决同构异参过程控制问题。     

免疫进化模型及其在优化计算中的应用

在深入研究免疫系统的智能进化机制和两种典型免疫计算模型的基础上，基于进化计算模型和免疫调节理论，结合免疫记忆机制提出了一种通用免疫进化算法(GIEA)的—般框架，论述了其运算机理，分析了其收敛性和收敛速度。针对多模态优化问题，按照该框架设计了一个具体的多模态免疫优化算法(MIOA)，并进行了仿真研究和计算复杂性分析。分析与仿真结果表明，该算法不仅比同类算法计算量小、具有更好的搜索性能，而且无须任何先验知识，实现了真正的自适应搜索。     

基于免疫遗传算法的机械手避碰逆解

给出了核反应堆检修用冗余机械手的无碰撞运动学求解方法。提出了一种基于免疫遗传算法的逆解方法,在保证解的精确性的同时对解进行了合理优化,使得求解过程快速准确。同时在求解的过程中利用罚函数法,对逆解过程进行避碰优化,使得基于该逆解方法的机械手运动控制更具灵活性。针对具体问题,提出了一种免疫遗传算法,对算法的快速性作出了考虑,满足了求解的实时性要求。     

基于免疫危险理论的非常规突发事件风险识别双信号方法

非常规突发事件的风险识别是应急管理亟待解决的难题.综合运用免疫危险理论与计算实验技术,构建了突发事件风险识别的抗体浓度和亲合度的双危险信号模型以及基于相似性交叉与多样性变异的免疫遗传识别算法模型,将非常规突发事件风险识别转化为多峰函数优化问题,运用所提出的算法,发掘非常规突发事件的演化规律,发现最佳应对时机.通过森林火灾算例分析,演示了基于免疫危险理论的非常规突发事件风险识别方法在应急管理中的应用,验证了模型的科学性和可行性.