四种改进免疫算法及其比较

免疫算法是模拟生物免疫系统功能的一种智能优化算法，具有解决复杂工程问题的潜力。然而．免疫算法存在两个严重的缺陷：容易陷入局部最优平衡态．进化后期搜索停滞不前。通过在免疫机理、优化机制、结构和行为等方面进行深入分析和巧妙改进，提出了多种群免疫算法、双倍体免疫算法、自适应免疫算法和多种群双倍体自适应免疫算法四种新的免疫算法。对20个典型组合优化Job—Shop Benchmark问题进行了仿真试验，仿真结果表明提出的四种新免疫算法均优于一般免疫算法，不仅有很好的全局收敛性，而且稳定高效。     

解决中间存储时间受限的间歇式调度问题的算法

生产调度问题是企业生产过程中的重要组成部分,合理、有效的调度方案尤其对提高间歇过程的生产效率和经济效益具有重要的意义.针对中间存储时间受限的间歇式调度问题,考虑了它本身具有的特殊性,提出了不同的约束条件,建立了相应的数学模型,并且结合基于生物免疫体系理论的智能方法———免疫算法的特点,提出了解决此类问题的免疫调度算法.通过仿真试验,表明了模型的有效性和算法的可行性.     

基于免疫规划的单亲遗传算法研究及其应用

在分析了单亲遗传算法的优越性与存在不足的基础上,借鉴生物免疫概念与理论,提出了一种新的单亲遗传算法——基于免疫规划的单亲遗传算法。该算法的核心在于使用最优保留策略前提下,合理地构造了非均匀算子和免疫算子。理论分析和仿真结果表明,该算法不仅能够有效地保持群体多样性,而且减轻了遗传算法的后期波动现象,同时收敛速度明显提高。     

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.     

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。     

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。     

三种混沌免疫优化组合算法性能之比较研究

利用混沌迭代的遍历性和内在随机性，提出三种混沌免疫优化组合算法，以弥补免疫进化算法收敛性能差的缺陷。这三种算法均综合了免疫进化算法和混沌优化算法各自的空间搜索优势，分别把混沌变量加载于免疫算法的总种群、遗传操作种群和记忆库种群的变量群体中，利用混沌搜索的特点对这些群体进行微小扰动并逐步调整扰动幅度。对三种算法的性能进行了实验比较，结果表明算法一具有更好的收敛性能和搜索效率。     

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。     

求解线性不等式组的仿射梯度算法

设计了一种新的求解线性不等式的动力系统方法－仿射梯度算法，算法不改变原问题的稀疏性，每步迭代的计算量较小，只包含简单的算术运算，具有很好的计算时间和存储空间的性质，有利于解决大规模稀疏的能源规划问题，给出了算法的动力系统的连续和离散时间模型，并证明了模型具有渐进稳定性，数值实验结果表明，此算法是有效的。     

基于DCT的线性定常系统高精度仿真算法

为了提高线性定常系统的仿真精度和速度，提出了基于快速DCT的线性定常系统高精度仿真算法。该算法与传统的仿真算法原理不同，它以数字信号处理方法和多项式多点快速求值算法为基础，采用了特殊的误差补偿算法。理论分析和上机仿真实践表明，该算法精度高，对于阶次高的系统计算量很小，尤其适于大规族并行计算。     

不确定条件下的flow shop问题的免疫调度算法

生产调度是企业生产过程中一个重要部分，而且实际的生产过程中会存在各种各样的不确定性，针对不确定条件下的flow shop（流水车间作业）调度问题，采用模糊数学的方法来处理数据的不确定性，在基于模糊规划理论的基础上建立了相应的调度模型，并结合免疫算法的特点，提出了解决此类问题的模糊免疫调度算法．通过仿真试验，证明了模型和算法的可行性和有效性．     

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.     

应用免疫算法求解博弈问题

设计了用于求解博弈问题的免疫算法的结构,讨论了二进制编码情况下的多样性控制,探讨了利用免疫算法求解博弈问题的方法和优势,分析了博弈问题的适应度评估方案,证实了设计的免疫算法具有稳定的收敛性.并通过对几个完全信息静态博弈实例的计算,验证了免疫算法求解博弈问题的有效性.     

巨灾风险大数据处理应急分类、分解、分拣算法与应用

本文主要研究巨灾风险大数据处理的应急分类、分解、分拣算法,给出了相应的算法原理和可操作的步骤.首先根据巨灾风险大数据灾害规模巨大的特征,提出了一种用来解决巨灾风险大数据中一级事件的应急分类与二级事件及以下更低级事件的应急分解算法,并以特大地震灾害作为实例进行了算法应用.接着定义了事故灾难度,用来对巨灾风险大数据处理过程中,对各种级别的事故灾难后果进行不同的数字标识.然后提出一种用来解决巨灾风险中大数据快速处理的应急分拣算法,并在汶川地震中大规模灾害的应急救援计划中进行应用.经过采用这样的应急分拣原理,就可以在面对巨灾风险大数据的复杂、繁多和零乱的重灾事件状态下,使整个应急救援方案优化,并能够有条不紊地进行救援.     

三层级设施选址-路径规划问题建模及算法研究

基于有向图针对物流网络三层级设施选址——路径规划问题(3E-LRP),建立了数学模型,并提出了量子进化算法(QEA)与遗传算法(GA)协同的双智能算法集成求解方案.QEA算法负责设施选址(FLP)和设施分配(FAP)优化问题,将得到的FLP和FAP方案传递给GA进行路径规划(VRP)优化,GA将优化后的路径规划方案反馈给QEA,双智能算法协同完成3E-LRP系统优化.本文提出了基于可达配送区域的搜索策略和基于路径长度为权重的设施分配优化策略以提高算法效率.实例计算表明,提出的数学模型和组合智能算法可有效解决3E-LRP,为ME-LRP提供了理论与方法指导.     

基于拉丁超方抽样的全渠道供应链网络优化

全渠道零售模式下需求的大样本、差异性、相关性特征将改变传统供应链的网络结构,文章构建离散拉丁超方抽样的免疫遗传算法进行全渠道供应链网络优化.先通过离散拉丁超方抽样对需求数据进行处理,保留样本特征的基础上减少样本容量,然后通过免疫遗传算法进行供应链网络多目标多机制优化,在保证较快收敛的同时避免局部极值,以此解决全渠道零售模式下供应链网络优化问题.实例证明该模型与算法的有效性以及在实践中的可行性.     

体液免疫算法及其对证券组合投资分析的应用

基于Jia&Dyer的一般性失望模型,给出一种新的非对称风险度量方法,建立该风险度量下考虑证券最小交易单位约束的组合投资二次整数规划模型;进而依据体液免疫原理设计实用、简单的新体液免疫算法,并寻求该模型的最优方案.算法设计中引入优秀抗体演化操作,搜集和更新进化中最好解,以及建立能增强群体多样性及具有较强整体、局部、并行搜索能力的免疫操作,从多方位搜索最优解.实证及比较表明,所获算法的整体和局部搜索能力强、能快速获取最优投资决策方案,所建模型的合理性和有效性被论证.     

ISAR越距离单元走动校正的近似极坐标算法

在ISAR系统中,通常假设不发生越距离单元走动,并应用距离多普勒(RD)算法获得目标的ISAR像。但是当雷达具有较高的分辨率,目标的尺寸较大,或目标在成像相关时间内转过了较大的角度时,散射点的越距离单元走动难以避免。为校正越距离单元走动,提出了一种近似极坐标算法。该算法将相关时间内的雷达回波数据近似为波数域梯形区域上一系列的采样点,并插值得到波数域矩形区域上的采样点,最后通过傅里叶变换得到目标的ISAR像。在目标均匀转动的假设下,该极坐标算法通过近似,不再要求已知目标的转角信息,并且能够较好地校正散射点的越距离单元走动。最后的仿真结果证实了算法的有效性。     

用于异常检测的小参数集树突状细胞算法

树突状细胞算法（dendritic cell algorithm, DCA）是受自然免疫系统中树突状细胞的功能启发的免疫算法。当应用于实时异常检测时该算法具有优越的性能,但由于参数和随机元素相当多,算法难于分析。提出了一种用于异常检测的小参数集树突状细胞算法,在保证算法实现正确功能的前提下,减少了DCA中的参数,使算法参数数量得到了控制。此外,新算法还定义了更为简洁的信号处理过程以及对应的异常度量和异常阈值。最后,利用端口扫描数据集对算法进行了测试,实验结果表明,新算法是DCA的一种有效形式,新的异常度量更加敏感且它体现出的正确分类时间延长了30.3%~56.7%。