自适应免疫克隆选择算法的参数识别

提出了一种被称为是自适应免疫克隆选择算法的新型人工免疫算法,此方法可进行系统的参数识别,以解决结构的多目标优化问题.此种算法将二阶响应、适应性变异准则和疫苗因子这三种算子都引入到遗传克隆选择算法中,提高了运算的收敛速度及全局优化搜索能力.对动力系统参数识别的模拟识别结果证明了本文所提出算法的有效性与可行性.     

基于模糊多目标优化算法的矿山配矿优化

从多目标配矿的复杂性出发,提出具有模糊性的多目标配矿问题,并设计出了基于管理者语言偏好和决策者满意度的模糊优化算法,该算法从最优性模型和重要性模型两方面进行改进. 最后通过具体矿山实例对算法进行实现研究,根据实际配矿目标的各种要求,从算法的有效性、灵活性和灵敏性等特性进行分析.     

桁架结构多目标优化的免疫克隆选择算法

为了解决带有约束的结构多目标优化问题,将免疫克隆选择算法应用于桁架结构的多目标优化设计中.根据免疫学基本原理,采用非支配邻域选择机制、比例克隆和精英策略,使算法很好地保持了所得解的多样性、均匀性和收敛性.在桁架结构优化的数学模型中,采用惩罚函数法处理违反约束的情况.为了验证所提算法的可行性和有效性,对经典桁架进行了优化,并与其它方法作比较,数值结果表明,该算法在收敛速度、时间消耗和求解质量上均具有一定的优势.     

基于克隆选择算法的绿色建造优化方法

提出了一种新的基于克隆选择算法的绿色建造优化方法,将进度、成本、质量和环境保护等相互影响相互制约的4个因素作为一个统一的整体进行了考虑,建立了多目标优化模型。利用克隆选择算法对模型进行求解,得到的最优解即建造管理的主要控制目标。最后通过一个模拟实验验证了模型的合理性和模型求解方法的有效性。     

基于免疫克隆选择算法的特征选择

提出了一种基于免疫克隆选择算法的特征选择方法．特征选择可以被看成是一个组合优化问题,利用免疫克隆选择算法快速收敛于全局最优的特性,加快搜索到最优特征子集的速度,为后续模式分类提供良好的判别依据．实验结果表明算法在保持甚至提高分类精度的同时,有效地降低了特征维数．与基于遗传算法特征选择的结果相比较,在有限代数内,该算法能收敛到更优的特征子集,从而验证了算法的有效性及其应用潜力．     

基于遗传算法的多目标优化配矿

为综合衡量配矿效果,基于多目标优化理论,以磨浮入选原矿组分指标、入选原矿品质稳定及最大限度利用原矿为目标,构建磷矿堆场多目标优化配矿模型,并采用改进的多目标遗传算法求解该模型。经约束多目标优化算例测试结果表明：改进的多目标遗传算法可以找到多目标优化问题分布广泛、均匀的Pareto最优解集。并针对磷矿浮选堆场开展多目标优化配矿,现场测试结果显示,矿石混配后P2 O5含量23.052％,MgO含量4.195％,混配原矿30654 t,比常规优化方案资源利用率提高0.31％。研究结果表明,该多目标优化配矿技术可实现稳定矿石品质的同时最大限度地利用原矿。     

一种用于多目标优化的克隆选择算法

多目标进化算法的研究目标是使算法种群快速收敛并均匀分布于问题的Pareto最优前沿面.为此,在比较与分析已有多目标进化算法的基础上,借鉴免疫系统中的克隆选择原理,提出了一种用于多目标优化的克隆选择算法.该方法只对部分当前所得到的Pareto最优解进行进化操作,并选用一种简单的多样性保护机制来保证Pareto最优解具有良好的分布特征.'实验结果表明该方法能够很好地达到Pareto最优前沿面,较好地保持解的多样性,并且具有很快的收敛速度.     

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．     

基于免疫理论的仿生优化算法

提出一种新的仿生优化算法——自适应免疫克隆混合优化算法。介绍了仿生优化算法的基本思想及实现过程。以多峰值函数Camelback寻优为例,通过测试函数的计算结果,以及与基于信息熵的免疫算法和自适应免疫算法的仿真实验对比,证明了该算法对多峰值函数寻优的有效性,既可以大大减少计算量,又能改善种群的多样性,可快速达到全局最优,在优化领域具有广阔的应用前景。     

桁架结构优化设计的免疫克隆选择算法

为了解决带有应力约束和位移约束的桁架的尺寸优化问题,将免疫克隆选择算法应用于结构的尺寸优化设计.根据免疫学基本原理,在基本克隆选择算法的基础上引入精英策略,并给出合理的参数值.在桁架结构优化的数学模型中,采用惩罚函数法处理违反约束的情况.最后对几个经典的桁架进行了优化.数值结果表明,改进的免疫克隆算法收敛速度快、鲁棒性好,可以应用于桁架结构的优化设计.     

基于免疫克隆选择算法的TDOA定位技术

为了解决TDOA定位估计中遇到的非线性最优化问题,提出了一种联合使用Chan算法和免疫克隆选择算法(ICSA)的混合定位算法.采用二进制编码和免疫克隆选择算法,针对TDOA方式进行最佳坐标搜索.仿真结果表明,该算法不仅能够进行准确定位,而且在同样的种群规模下能够以较少的迭代次数得到最优解.     

基于生物免疫系统克隆选择机理和免疫网络理论的免疫算法

提出一种基于生物免疫系统克隆选择机理和免疫网络理论的免疫算法.该算法通过抗体的克隆选择和变异过程,完成对入侵抗原的清除,实现免疫防御的功能;利用免疫网络调节的思想选择抗体记忆细胞,完成知识的学习和积累,实现免疫自稳的功能;利用所建立的抗体记忆矩阵实现对类似入侵抗原的快速应答,行使免疫监视识别功能.该算法利用生物变异机制实现抗体的自适应调节,使系统具有自适应、自学习能力.在加热炉状态识别的应用研究表明,本文所提出的算法在解决数据识别方面具有较好的效果.     

基于克隆选择的小世界优化算法

针对小世界算法在多极值等复杂函数优化中存在算法后期种群多样性退化、全局搜索效率下降等问题,提出一种基于种群克隆选择的小世界优化算法。该算法以小世界现象信息传递的高效性改进克隆过程中体细胞高频变异的随机性,实现克隆增殖、克隆选择以及小世界网络短连接等算子在局部空间的搜索,克隆删除与小世界随机长连接在全局空间的搜索。实验结果表明:各种克隆算子与小世界变异算子相结合,增加了种群的多样性,扩大了搜索范围。与其他算法相比,该算法在收敛速度和多极值点函数搜索能力等方面具有明显改善。     

等价划分策略的混沌克隆优化算法

克隆选择算法随机产生种群的方式,将容易导致数字的取值非均匀的分布在解的空间,从而增加数据冗余的现象。为了克服克隆选择算法的缺点,将克隆选择算法和混沌优化相结合,提出一种用于函数优化的混沌克隆优化算法.该算法利用混沌的随机性、遍历性和规律性来避免陷入局部极小值,同时引入等价划分的策略,减少了可能出现的数据冗余现象。仿真实验显示了所设计的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。     

一种基于免疫选择的粒子群优化算法

粒子群算法是一种新的群体智能算法,被广泛用于各种复杂优化问题的求解,但算法存在着过早收敛问题.为了克服算法早熟的缺点,将粒子群看作是一个复杂的免疫系统,借鉴生物学中免疫系统自我调节的机制,提出了一种新的基于免疫选择的粒子群优化算法(IS-PSO).免疫系统中的抗原、抗体和亲和度分别对应了待优化函数的最优解、候选解和适应度.IS-PSO通过免疫算法中免疫记忆、疫苗接种、免疫选择等操作有效地调节PSO算法中种群的多样性.给出了算法的详细步骤,并将本文提出的算法与基本的粒子群算法(bPSO)在几个典型Benchmark函数的优化问题应用中进行了比较,仿真结果表明:IS-PSO算法可以有效避免早熟问题,提高粒子群算法求解复杂函数的全局优化性能.     

并行混沌优化算法在分包商选择中的应用

为了提高工程优化问题的寻优效率,提出一种用于求解优化问题的改进并行混沌优化算法。根据当前解中精英个体的分布情况从优化变量的定义域中划分出精搜索空间。在优化过程中,精搜索空间不断缩小,搜索概率不断增加,这可保证算法具有较快的收敛速度。同时,算法始终以一定概率保持对原搜索空间进行混沌搜索,这可保证算法始终具有全局寻优能力。函数优化以及分包商选择等组合优化问题可利用该算法进行有效求解。仿真实验结果表明:对于相同的优化问题,改进的并行混沌优化算法可以求得更好的优化解,从而证明该方法具有良好的寻优性能。     

多金属地下矿山生产计划动态优化

为了实现多金属地下矿山生产计划编制的动态性和科学有效性,以开采过程中技术经济要求和空间序列关系为约束条件,以利润最大化为目标构建多金属地下矿山生产计划动态优化模型.模型将采准、切割、爆破、回采和充填过程抽象为基本作业单元并加以模型化处理,将地下开采的均衡性要求和接续性问题转化为空间约束条件,以开采状态作为决策变量,构建生产计划优化的0-1整数规划模型,并给出基于人工蜂群模型的求解算法.以西藏某铜钼矿的生产计划动态编制为应用案例,优化解算出矿山未来3年的生产计划,并给出矿床开采时序的三维可视化展示.优化结果表明,通过开采区域的动态调整,在有效保证生产连续性的同时,提升了矿山开采的经济效益.     

基于多目标粒子群优化的服务选择算法

基于多目标粒子群优化算法提出一种高效的服务选择算法(MOPSOSS).首先将服务选择问题建模为带QoS约束的多目标组合优化问题;其次,根据支配的概念构造远小于原子服务集的新子服务集;最后基于多目标粒子群优化算法求解由新子服务集构成的服务选择问题,从而获得一组满足约束的pareto最优解.理论分析表明,MOPSOSS能正确、高效地求出原问题的全局最优解.与遗传算法(GA)的对比结果表明当问题规模大于150时,MOPSOSS的平均运行时间仅为GA的7%,求出的解的个数是GA的1.15倍,75%的解能支配GA求出的解,分布广度是GA的1.5倍.随着约束强度的增加,MOPSOSS的平均运行时间减少,而解的质量并无显著下降.与GA相比,MOPSOSS能用更短的时间求出更多高质量的解.