基于免疫遗传算法的递归模糊神经网络

为了解决递归网络的梯度信息不易获取而传统遗传算法训练时间过长、易于早熟的问题,提出了一种用于辨识非线性动态系统的递归高木-关野模糊神经网络(T_RFNN:Takagi-Sugeno Recurrent Fuzzy Neural Network).T_RFNN是在高木-关野模糊模型的基础上加入了反馈层,利用免疫遗传算法对T_RFNN的参数进行训练和调整.该网络具有更少的网络参数、更快的收敛速度和更高的精度等特点,能够很好地完成动态非线性系统的映射.与高木-关野模糊神经网络相比,网络参数减少了45%,网络误差减少了65%,而网络的运行时间提高了近68%.T_RFNN仿真实验的辨识结果也表明,该网络在训练次数明显减少的情况下学习性能得到了显著改善.     

改进遗传算法在模糊文本聚类中的应用研究

在分析了传统模糊聚类FCM算法和基于遗传聚类算法优点和不足的基础上,提出了一种基于免疫单亲遗传和模糊C均值的改进遗传聚类算法,克服了FCM的局部最优问题以及标准遗传算法聚类时的搜索速度和聚类精度的矛盾,并将该算法用于文本聚类,实验表明该算法是有效的。     

基于遗传模糊免疫算法的PID参数整定优化研究

针对工业过程中的PID参数整定较难的问题,在分析模糊免疫算法的基础上,提出了一种遗传模糊免疫算法,用于在线整定PID参数。该算法用免疫反馈机理在线调整比例系数,模糊算法在线整定积分系数和微分系数。同时,该算法引用具有全局寻优特性的遗传算法优化免疫参数,克服了免疫参数选取不当而导致系统超调量较大、响应速度过慢的问题。针对工业过程中的无时滞过程、一阶惯性加时滞过程、二阶惯性加时滞过程、高阶系统过程,将该算法用于PID参数整定优化,并与模糊免疫算法、免疫PID算法、常规PID算法整定结果进行对比分析。仿真实验结果表明,遗传模糊免疫算法整定出的PID参数具有超调量小、调节时间短、抗干扰性强、鲁棒性强等优点,取得了较好的控制效果。     

基于免疫遗传算法的TSP优化问题求解

在分析人工免疫系统的基础上提出一种改进的人工免疫算法——免疫遗传算法。文中介绍了该算法的基本步骤及特点,并对旅行商问题进行了仿真研究,与基本遗传算法进行了比较。结果表明所提算法能以较快的速度完成给定范围的搜索和全局优化任务,较标准遗传算法具有更强的全局搜索能力。     

一种新的自适应免疫遗传算法

 为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足,提出了一种新的自适应免疫遗传算法SIGA(Self-adaptive Immune Genetic Algorithm)。新算法对遗传算子进行改进,提出了自适应交叉和变异算子,保证了种群多样性和防止早熟现象发生;为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平,提出了基于相似性矢量距离的免疫选择算法。实验表明,与传统的遗传算法和免疫算法相比,该算法收敛速度提高了3~90倍,求解精度达到10^-3,并有效地抑制了早熟现象。     

一种考虑环境作用的协同免疫遗传算法

在综合考虑了环境对生物进化的影响、免疫算法的结构以及遗传算法部分算子的基础上,提出一种考虑环境作用的协同免疫遗传算法(ESIGA),以实现提高算法搜索速度和全局搜索能力的目标.在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了3个子种群协同进化以发挥克隆环境演化算子的影响,从而提高算法的全局搜索能力.引入的自适应探索算子和克隆环境演化算子,使算法具备了一定的学习能力,可加速搜索和防止早熟.构建的主种群和协同种群相互影响,使得算法对环境具有改良能力,加强了克隆环境演化算子的性能,而精英种群则加强了算法在优质个体邻域的搜索能力.采用13个常用无约束优化问题测试函数对算法做了检验,测试数据表明:ESIGA算法与正交遗传算法相比,其搜索速度要快于正交遗传算法1～2倍,并能够处理1 000维的高维优化问题.     

Immune Genetic Algorithm for Optimal Design

A computing model employing the immune and genetic algorithm (IGA) for the optimization of part design is presented. This model operates on a population of points in search space simultaneously, not on just one point. It uses the objective function itself, not derivative or any other additional information and guarantees the fast convergence toward the global optimum. This method avoids some weak points in genetic algorithm, such as inefficient to some local searching problems and its convergence is too early. Based on this model, an optimal design support system (IGBODS) is developed. IGBODS has been used in practice and the result shows that this model has great advantage than traditional one and promises good application in optimal design.     

免疫遗传算法学习贝叶斯网等价类

针对遗传算法学习贝叶斯网存在的问题, 提出一种基于骨架搜索的免疫遗传算法学习贝叶斯网等价类, 该方法综合了基于约束和打分搜索的方法, 可以在遗传过程中避免产生非法结构, 并从骨架空间映射到等价类空间进行搜索. 实验数据表明, 免疫算子的使用可有效缩小搜索空间规模, 加快收敛速度, 提高执行效率.     

基于并行免疫遗传算法基因表达数据的动态模糊聚类

提出一种改进的并行免疫遗传算法, 通过在群体规模上引入“岛”的概念, 实现了可变的群体规模; 通过在适应度函数内引入免疫算子, 避免了算法过早收敛. 因此, 解决了寻优算法中局部收敛的困扰, 提高了获得全局最优解的几率. 把此算法应用于斯坦福大学酵母细胞周期表达数据库的数据进行共表达聚类, 并将实验结果与Spellman按照功能基因组学进行聚类所得结果进行了对比, 证明了所给算法在功能基因组学聚类上的有效性.     

一种具有免疫机制的车间调度遗传算法

利用人工免疫机制中的克隆选择原理的相关优点，并在遗传算法中融入具有动态、自组织等特征的免疫机制，建立了人工免疫遗传算法。相比单独使用遗传算法，该方法对车间生产调度的优化效果起到进一步改善的作用，最后通过实例加以验证。     

基于免疫进化算法的Bayesian网结构学习

利用免疫进化算法（IEA）, 借助遗传和接种疫苗操作将基于打分和基于约束的两类Bayesian网结构学习方法有机地结合在一起, 提出一种新的Bayesian网结构学习方法. 通过与基于遗传算法的Bayesian网结构学习方法EGA(Expectation & Genetic Algorithm）的对比试验表明, 所提出算法的收敛速度更快、 学习得到网络的精度更高.     

基于遗传算法的动态模糊模型辨识非线性系统方法

针对复杂的动态系统,提出了一种基于遗传算法的模糊模型辨识方法,给出了学习模糊规则的新算法,探讨模糊推理方法和遗传学习算法用于非线性系统建模的问题,仿真结果证明了该算法的有效性。     

基于免疫遗传算法的装配顺序优化

采用装配角度、装配方向、装配稳定性和重定位次数4个指标构建装配顺序优化模型,并用疫苗自动获取的免疫遗传算法(IGABVAU)求解.提出4种免疫疫苗用于提升算法运行效率,其中KP和NL型疫苗由人工指定,BP和NT型疫苗在算法运行中自动获取.船舶工段装配实验结果表明,该算法具有较快的收敛速度.进一步研究发现,免疫疫苗的质量会影响疫苗自动获取的免疫遗传算法收敛速度,人工指定的KP和NL型疫苗可以提高初始种群的质量,自动获取的BP和NT型疫苗可以为装配顺序的进化提供方向.     

基于免疫遗传算法的物流运输求解

针对传统遗传算法的缺陷，提出了结合免疫系统原理和遗传算子自适应调整的方法，即免疫遗传算法．该算法可防止算法未成熟收敛、保证种群的多样性，在使用此算法搜索最优解时，可防止陷入局部寻优情况的出现．通过对一个运输实例的求解，证实算法可达到预期的效果．     

改进免疫遗传算法用于图像阈值分割

在图像阈值分割中,基于遗传算法的分割方法存在着运行速度慢、易形成未成熟收敛等缺点.针对这一问题对其进行了改进.改进的免疫遗传算法在免疫算子中引入疫苗接种机制,极大地提高了收敛效率,对交叉概率和变异概率进行了改进,避免了局部收敛,以保证改进算法能收敛到全局最优值.实验结果表明,改进的免疫遗传算法比传统的算法提高了运行效率,解决了全局搜索不收敛和局部搜索不到最小值的问题,并具有更好的收敛稳定性.     

Immune and Genetic Algorithm Based Assembly Sequence Planning

IntroductionIn the course of the industryautomation, the assemblyautomation is the weakest work, and assembly sequenceplanning is one of the basic issues to accomplish this task.To realize assembly automation, there are three problemsto be solved in common: (1) establishing assembly model;(2) obtaining the restriction between the parts andcomponents within this model; (3) assembly sequencereasoning based on (1) and (2).There are a large number of research reports a…     

求解单级多资源约束生产批量计划问题的免疫遗传算法

通过对单级多资源约束生产批量计划问题(SLCLSP)模型进行分析,提出了基于免疫遗传算法(IGA)求解该问题的方法.此算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,借鉴生物免疫机制中抗体的多样性保持策略,大大提高了算法的群体多样性.实验结果表明,免疫遗传算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,使全局收敛性及收敛速度两方面均得到提高,能有效解决SLCLSP问题.     

基于免疫遗传算法的炼钢最优炉次计划研究

针对炼钢最优炉次计划问题难以准确求解的实际情况,建立了一种含有0-1变量的整数规划模型,为了求解该优化模型,提出了一种新的免疫遗传算法.该算法通过将免疫算法和遗传算法相结合,在传统遗传算法中加入免疫算子,并且引入了新的个体选择概率模型,有效防止了算法过早收敛的现象.针对该类优化问题的特性,设计了自适应的交叉率和变异率准则,动态调整交叉率和变异率,提高了该算法的精度.基于工厂的实际数据,进行了仿真实验,实验结果表明该免疫遗传算法比普通遗传算法有着更高的搜索精度,证明了该算法在实际炼钢最优炉次计划问题中的有效性和准确性.     

求解柔性作业车间调度问题的免疫遗传算法

通过对柔性作业车间调度问题(FJSP)进行分析,借鉴生物免疫机理提出一种求解柔性作业车间调度问题的免疫遗传算法(IGA).该算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,通过抽取疫苗和接种疫苗等免疫机制,有效改善基本遗传算法的未成熟收敛和局部搜索能力差的不足,显著提高了基本遗传算法对全局最优解的搜索能力和收敛速度.仿真实例表明,免疫遗传算法能有效解决柔性作业车间调度问题.     

人工免疫算法对遗传算法改进的仿真研究

遗传算法是一种很好的优化算法,但其本身存在着易早熟、效率低等不足.人工免疫算法是参考生物免疫系统机制的一种算法,它通常用于对其它算法的改进.论文用人工免疫算法对遗传算法进行改进,在遗传算法中引入浓度机制并从问题中提取疫苗.通过实验对比,它对遗传算法的改进取得了较好的效果.