基于分布式免疫进化算法的函数优化

针对遗传算法在寻优过程和多峰值函数求解中出现的“早熟”问题以及免疫算法收敛速度较慢问题,将免疫算法和进化算法进行优势融合,并结合改进的进化算法的并行模型,提出一种新的算法--分布式免疫进化算法（distributed immune evolutionary algorithm,DIEA）。新算法主要包括记忆种群进化模块和子种群进化模块两个部分,子种群的主要功能是找出各个区间的局部最优解;主种群主要是进行全局搜索,寻找全局最优解。仿真实验表明,该算法具有很高的全局寻优能力和很快的收敛速度,适合求解复杂多峰函数优化问题。     

基于混合遗传算法的目标优化分配

根据防空作战目标分配的特点 ,在分析启发式方法和遗传算法基础上 ,将二者结合起来得到了求解目标优化分配问题的混合遗传算法 ,该算法具有全局收敛性.     

基于免疫粒子群算法的组合预测方法

给出了基于粒子群算法的组合预测方法,并引入免疫算法对其进行了改进:一方面利用免疫算法的免疫记忆和自我调节机制提高其全局搜索能力,避免算法陷入局部最优解;另一方面利用免疫算法的接种疫苗和免疫选择机制增强其性能,防止算法在优化过程中可能出现的退化现象。实例证明,基于免疫粒子群算法的组合预测方法可操作性强,通用性好,误差明显小于各个参与组合的预测模型,并优于基本的粒子群算法和加速遗传算法。     

经济负荷分配问题的闭环文化粒子群算法

结合文化算法的双层进化结构和粒子群算法的局部搜索性能,提出了求解经济负荷分配问题的闭环文化粒子群算法。算法设置了上层的信念空间和下层的群体空间,并利用同步传输方式通过接受操作和影响操作来完成两层空间的交互;各群体空间采用反馈控制的原理对粒子的演化速度进行控制以保持群体的多样性。通过对文献中的3机组6母线和IEEE30BUS经济负荷分配问题的仿真结果表明,闭环文化粒子群算法有更好的收敛性能和更快的收敛速度。     

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Hopfield网络单元机组负荷多变量模型算法控制

电厂负荷系统是一个有耦合和约束的多变量对象。模型算法控制(MAC)是预测控制的一种，在惯性迟延对象的控制中有很好的应用。该文提出用Hopfield网络来求解具有约束的多变量负荷系统的控制输入。仿真表明，该方法算法简单、鲁棒性强、控制效果理想。     

基于改进PSO算法的复杂产品协同优化分配研究

研究网络制造环境中复杂产品关键部件生产任务的协同优化分配问题。以总费用最小为目标,对复杂产品关键部件的生产任务在联盟企业的优化分配进行了研究,提出了该问题的非线性数学规划模型。开发针对该问题的粒子群算法(PSO),该算法提出适用于关键部件-联盟企业关系的离散粒子编码方法。采用基于可行性规则的方法处理约束问题,避免了罚函数的选择,较好地改进了算法的搜索速度和收敛性能。以某企业重型燃机的协同制造为实例,进行仿真研究,仿真结果证明了模型与算法的有效性。     

基于免疫机理的多峰值函数并行优化算法

多峰值函数的极值问题一直是优化领域中的一个难点和热点。传统搜索方法和遗传算法很难同时搜索出多个极值。基于生发中心中免疫细胞亲和度成熟的机理，本文提出了一种并行优化算法，目的是找出多峰值函数的多个最优解或最优解和尽可能多的局部优化解。算法的主要步骤有超变异、选择、记忆和相似性抑制。用不同的多峰值函数进行了仿真实验，并和相关算法进行了比较，结果表明所提出的算法具有良好的搜索性能。     

基于激素调节的量子免疫克隆函数优化算法

为了提高量子免疫克隆算法（quantum inspired immune clone algorithm, QICA）对函数全局寻优的精确性和稳定性,引入了内分泌激素的调节规律,根据当前个体适应度值和上一代种群的平均适应度值重新设计克隆规模,按照种群多样性和Hill函数的上升规律对其进行自适应调整,使进化各代中优秀个体的克隆得到扩增,同时减少不良个体的规模,从而提出了一种基于内分泌激素调节的量子免疫克隆算法（hormone adjustment based QICA, HAQICA）。利用标准测试函数对算法进行了验证,50次随机独立实验结果表明,HAQICA算法的收敛速度与QICA算法相当,最优解的均值与方差等数据,证明了HAQICA算法在提高函数全局寻优性能上的有效性。     

基于案例推理的冷轧负荷分配模型研究

针对冷轧负荷分配的特点,提出了一种基于案例推理的冷轧负荷建模方法,着重研究了基于粗糙集和神经网络的快速案例检索以及利用数据库中的知识发现技术进行案例修改,经现场数据对比实验表明所建模型更符合实际轧制情况。     

应用免疫算法进行电网规划研究

将一种新的随机优化方法——免疫算法应用于电网规划 ,利用 IEEE-6节点系统作为样本网络进行分析计算 .并将该方法跟基于遗传算法的电网规划方法进行比较 ,结果表明免疫算法在全局寻优的性能方面要优越于遗传算法 .本文还将基于免疫算法的电网规划方法应用于我国某实际电力网络 ,取得很好的规划结果.     

人感禽流感优化算法

为求解一类复杂非线性优化问题的全局最优解,采用跨物种传播的人感禽流感传染病动力学模型提出了人感禽流感传染病优化算法。利用H7N9传染病模型构造出的S^u-S^u,I^u-I^u,S^u-I^u,I^u-S^u,S^u-D^u,I^u-D^u等算子能使个体能在同物种和跨物种个体之间充分交换信息,其中S^u-S^u、I^u-I^u算子可利用强壮个体的特征来改善虚弱个体的特征,从而提升算法的求精能力;S^u-I^u、I^u-S^u算子可改良个体的适应度分布特征,从而提升算法的探索能力;S^u-D^u,I^u-D^u算子可使极虚弱个体得到有效清除,从而降低算法陷入局部陷阱的概率。测试案例表明：本算法可快速求解一类维数较高的复杂非线性优化问题。     

求解整数规划的一种仿生类全局优化算法——模拟植物生长算法

针对整数规划全局优化问题所首次提出的模拟植物生长算法,是一种源于大自然的仿生类随机算法.该算法从植物的向光性特点出发,将整数规划的可行域作为植物的生长环境,根据各可行解目标函数的变化情况确定植物的生长信息(形态素浓度),进而模拟出向光源(全局最优解)迅速生长的植物生长动力学模型.经过对无约束和有约束两类具有多个全局最优解的非线性整数规划问题的具体求解,取得了满意的效果.     

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。     

基于免疫粒子群算法的飞行控制器参数寻优

提出了一种免疫粒子群混合优化算法.该方法将免疫算法中的基于浓度的抗体繁殖策略与粒子群优化算法相结合.对浓度低的粒子进行促进,对浓度高的粒子进行抑制,因而保持了粒子的多样性,克服了PSO算法易于陷入局部最优点的缺点,寻优速度快.将该方法用于飞行控制器的参数优化设计.仿真结果表明：使用该方法进行参数优化设计获得了优良的飞行控制效果,能够较大地提高飞行控制器参数的设计效率.     

多峰函数优化的免疫混沌网络算法

针对多峰函数优化问题,借鉴混沌遍历特性和免疫网络理论,提出一种免疫混沌网络算法。算法利用混沌运动的自身规律在不同的峰值区域内搜索最佳抗体,增强了算法的局部搜索能力;采用网络抑制策略,保持了种群的多样性;通过网络补充机制自适应地调节抗体群的规模,提高了算法对不同类型多峰函数的适应能力。仿真结果表明该算法能有效地改善种群的多样性,较好地保持全局搜索和局部搜索的动态平衡,具有更强的多峰函数优化能力。     

环境变异免疫克隆算法解决有约束优化问题

为了克服免疫克隆算法搜索效率低、无法直接对进化经验学习等缺点,设计了环境变异免疫兑隆算法,在普通免疫克隆算法中引入环境变异算子,通过环境变量积累进化过程中的经验,使算法具备了一定的学习能力;重新设计了代价函数,采用一种新颖的罚函数排序形式来处理由于约束条件造成的解集空闽不连续问题,进而提高了算法的搜索效率及稳定性．通过对13个常用有约束优化问题测试函数的仿真实验,表明了环境变异免疫克隆算法在有约束优化问题上具有很好的性能。     

基于IGA的异步电机功率因数和机械效率优化(英文)

为提高三相异步电机在轻载和空载运行时的功率因数与机械效率,提出运用智能遗传算法对功率因数和机械效率进行综合优化,算法借助于正交表试验设计和智能型交配运算等步骤,改善遗传算法的性能。仿真结果表明基于智能遗传算法的异步电机功率因数和机械效率综合优化,方法简单、有效,能明显提高功率因数和机械效率,提高节能控制效果,提高优化精确度和计算速度。