基于免疫原理的多模态函数优化算法

借鉴免疫原理,提出了一种新的多模态函数优化算法。通过构造克隆选择算子,利用抗体单性繁殖和优选进行函数快速局部优化;借助B细胞网络完成各种局部优化结果自组织记忆,有效地实现了全局最优解和局部最优解的快速搜索和保存,证明该算法具有较强的多模态函数优化能力。     

基于免疫进化机制的多模态函数优化算法

基于免疫细胞中不同亲和度抗体具有不同的变异率，最终通过不断进化达到亲和度成熟机理的启示，设计并实现了一个多模态免疫优化算法．算法的主要操作算子包括超变异、正选择、记忆细胞产生和抗体相似性抑制．通过对典型的多模态测试函数进行仿真实验，证明算法可以快速搜索到多模态函数的全局最优解和多个局部最优解，同时也表明该算法具有较强的优化性能．     

基于免疫应答原理的免疫算法及其在多模态函数优化中的应用

基于免疫应答原理及小生境概念，采用实数编码策略，提出解决多模态函数优化的免疫算法。构建此算法的目的在于将其与遗传算法比较，分析二者的差异。算法设计的关键在于抗体评价规则及亲和突变算子，以及引入小生境技术、抗体浓度概念及免疫系统中群体多样性的机理，增强群体多样性。此算法具有自适应地调整进化群体规模、并行搜索最优解及强稳定性等特点，特别能搜索多个最优解(若存在)及大量局部最优解；同时其收敛性获证。事例仿真比较获该文算法的有效性，此暗示免疫算法的研究具有广阔前景。     

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性.     

面向多模函数优化的改进网格优化算法

利用网格优化算法（COA）编码简单、收敛速度快、不宜陷入局部最优等特点,针对多模态函数优化问题,对GOA算法进行了改进,扩大了优化搜索范围,保持了父本种群的多样性,增强了全局搜索能力。对典型多模态函数问题的测试结果表明,改进的网格优化算法在解决多模态函数优化问题方面具有很强的全局搜索能力和很高的搜索效率。     

基于物种的自适应多模态粒子群优化算法

通过对粒子群优化问题、小生境技术和多模态粒子群优化算法的深入研究,提出了一种自适应的多模态粒子群优化算法——ASPSO(adaptively species-based particle swarm optimization)。对ASPSO算法进行了综合测试,并与经典的多模态粒子群优化算法ANPSO和SPSO进行了比较。实验表明,ASPSO在处理低维测试函数与ANPSO和SPSO具有同样高的成功率和峰值覆盖率,并且ASPSO在处理高维复杂测试函数时,表现出的性能比其他已经存在的多模态粒子群优化算法更好。     

人工免疫算法优化分析

随着对免疫系统机理的认识逐步清晰,免疫系统的强大的识别能力引起了其他学科的研究者的关注。免疫算法就是一种生物仿真算法,它是在模仿人体免疫系统的部分功能基础上构造出来的新型优化算法。近年来人们通过研究,构造出几种基于免疫系统启发的工程应用方法,为解决当前工程中的热点和难点问题提供了新的思路。     

人工免疫算法在函数优化中的应用

基于自然免疫系统中体液免疫响应的机制提出了一种函数优化算法，该算法模拟了抗体的产生、抗体与抗原的黏合、激励、克隆、超突变及未受激励细胞的消亡等自然过程，其主要步骤包括：抗原、B细胞的算法定义，B细胞与抗原之间的亲和度计算与选择，B细胞的克隆、变异和记忆细胞的产生等．算法的主要特点是模拟了不同的自然机制，具有并行性，产生了高亲和度、长寿命的记忆细胞并不断对其更新．用两种不同类型的测试函数进行了仿真实验，并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．     

一种新的群搜索优化实现算法

针对群搜索优化（GSO）算法存在的不足,提出一种新的GSO实现算法（NRGSO）.采用5个300维和7个30维的测试函数对NRGSO算法进行数值实验,并将其与GSO算法、微粒群优化（PSO）算法、遗传算法（GA）、进化规划（EP）、进化策略（ES）进行比较.结果表明,NRGSO算法的性能优于GSO算法;而在解决高维和多模态函数的优化问题方面,其性能优于PSO、GA、EP和ES等算法.NRGSO算法改进了群搜索优化原实现方法的不足,提高了算法的搜索性能,不仅在高维函数的优化中表现卓越,还能有效地避免陷入局部次优,并且在实际的优化问题中应用方便.     

一种约束多模态函数优化免疫遗传算法

通过引入局部检测函数,将约束多模态优化问题转化为约束多目标优化问题.进而,基于克隆选择原理和Pareto控制概念,提出一种求解该多目标优化问题的免疫遗传算法.算法设计中,基于非控制分层和小生境思想,产生具有足够多样性的进化群体,进而依据克隆选择原理和基因互换机理设计进化模块,对进化子群进行岛屿式进化,力求获得问题的所有...     

一种工程混合免疫计算的多峰值函数优化方法

为获得多峰值函数优化的多个极值,提高智能优化方法,获得多峰值函数优化解的精度,受生物免疫系统相关机理的启发,提出了基于工程混合免疫计算的多峰值函数优化方法,并给出了具体的求解算法.采用传统的蚁群优化方法以及本文方法对3个典型的多峰值复杂测试函数进行性能测试,对比每种方法的搜索代数、搜索到的峰值个数、最大适应度值以及平均适应度值.比较结果表明,本文方法具有增量学习能力且在分类准确率方面都高于传统的蚁群优化方法.     

人工免疫系统及人工免疫遗传算法在优化中的应用

叙述了人工免疫学的概况及免疫系统的组成，提出了一种新的优化算法——免疫遗传算法，该算法突出了免疫系统中抗体群合作进化思想。将该方法用于以高炉焦比为优化目标的优化问题，取得较好的效果。     

自适应采样免疫算法及其对随机优化问题的应用

基于体液免疫的简化机制,设计随机优化免疫算法处理高维随机优化问题．算法的关键在于设计：（1）动态分配群体中各抗体采样次数的自适应采样算法;（2）抗体进化算子;（3）进化群体和记忆集的采样数．该算法具有结构简单、灵活、易于应用的特点．数值实验及多种算法比较显示,此算法具有噪声抑制能力强和寻优速度快速等特点,对于不同噪声幅值的高雏随机优化,均能在优化质量、噪声抑制、执行效率中获得满意效果．     

量子教学优化算法及在函数优化中的应用

为提升基本教学优化算法的搜索能力, 通过融合量子计算原理, 提出了一种量子教学优化算法。 该方法采用教师自学和学生向教师学两种学习机制搜索全局最优解。 个体采用量子比特编码, 搜索过程在 Bloch 球面上进行, 个体的更新通过量子比特的绕轴旋转实现, 然后将其解码为量子比特的 Bloch 球面坐标。 由于该方法将基本教学算法中每维变量的搜索都扩展到 Bloch 球面进行, 可使搜索过程更为精细, 从而加强了对解空间的遍历性。 不同维度标准函数极值优化的仿真结果表明, 此方法的寻优能力不仅超过基本教学优化算法, 同时也超过其他经典群智能优化算法, 验证了将量子计算的某些机制和智能优化相融合可提升其优化性能。     

人工蜂群算法及其在组合优化中的应用研究

人工蜂群算法是一种启发式算法,通过模拟自然界蜂群觅食过程来解决现实中的优化问题。算法中将每只蜜蜂看做一个智能体,若干智能体间相互合作,高效地完成对目标的搜索、优化。总结人工蜂群算法用于解决组合优化问题的一般方法,以0-1背包问题为例对算法进行仿真测试,实验结果表明:人工蜂群算法有效且优于存在的蚁群算法。     

基于人工免疫网络的多峰值函数优化

针对多峰值函数优化中常规方法难以同时搜索出多个极值的问题,借鉴生物免疫系统的相关机理,提出了基于人工免疫网络的多峰值函数优化算法,并在一些典型的测试函数上进行性能测试。实验结果表明,该算法具有很好的全局和局部搜索能力,能够较好地保持抗体的多样性,获得多峰值函数的全部或多个优化解。     

基于形状空间的克隆选择算法用于多峰值函数的优化

在简单描述免疫系统中克隆选择和形状空间理论的基础上，提出了一种新的、基于形状空间的克隆选择算法．将该算法用于对多峰值函数的寻优，能得到很好的结果；借用遗传算法的积木块假设对该算法的收敛性进行分析，证明了本算法在满足一定前提条件下，能够以趋近于1的概率收敛．