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。     

免疫算法及其在电力系统无功优化中的应用

提出应用一种新的智能优化算法——免疫算法(IA)来求解无功优化问题.该算法模拟了免疫系统的基本原理,具有抗原模式识别及记忆功能,抗体多样性,抗体自适应调节等优点.在分析无功优化的数学模型和免疫算法的特点的基础上,详细研究了用免疫算法求解无功优化问题的实现方法.对IEEE30节点系统进行了仿真计算,并将优化结果与遗传算法(GA)作了比较,结果表明免疫算法(IA)能有效的应用于电力系统无功优化,并有着更好的全局寻优能力及更快的收敛速度.     

免疫危险理论在电子邮件分类中的应用

在对危险理论、人工免疫和云模型的研究基础上,提出了一种基于危险理论的电子邮件分类模型并对模型的框架和工作原理进行了详细的描述.实验证明该模型总体性能优于贝叶斯分类,能有效地识别出有害的非我,达到降低伪肯定率和伪否定率的目的.     

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。     

仿生优化算法及其在函数优化问题中的应用

仿生优化算法是一类解决函数优化问题的更好方法.本文基于遗传算法、蚁群算法和人工鱼群算法的基本原理,探讨了各种算法在求解函数优化问题中的应用.两个典型函数极值问题的数值实验表明,这三种仿生优化算法在求解函数优化问题中具有良好的优化性能,其中鱼群算法性能最好.     

免疫粒子群算法及其在水库优化调度中的应用

免疫粒子群优化算法(IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中,利用其特有的浓度选择机制以及免疫接种功能的原理,改进粒子群优化算法的全局寻优能力,提高收敛速度.在分析水库优化调度的数学模型和IA-PSO算法特点的基础上,提出了基于IA-PSO算法的水库优化调度的方法,建立了数学模型,给出了具体求解步骤.经实例验证,IA-PSO得出的水库优化调度方案优于传统动态规划算法的计算结果,而且算法收敛速度快,为水库调度问题提供了一条新的有效求解途径.     

蚁群算法及其在求解优化问题中的应用

蚁群算法是近几年优化领域中新出现的一种启发式仿生类算法。作为一种新的群体智能启发式优化算法,主要用于求解组合优化问题。本文介绍了蚁群算法的发展历史,然后介绍了其在求解组合优化问题中的应用情况,最后对蚁群算法在今后的研究方向作了展望。     

免疫算法及其在智能控制中的应用

在介绍最基本免疫算法的概念和实现方法的基础上,分析了免疫算法在智能控制中应用。最后对免疫算法的现状及发展趋势做了介绍,从免疫计算智能研究和理论研究两方面展望了免疫算法的发展趋向。     

基于免疫危险理论的智能检测器及相关算法

针对传统检测器检测率较低、误报率较高、自体库过于庞大的问题,设计了基于免疫危险理论的KRID(Katherine智能检测器),包括实时检测模块、记忆模块和自适应模块.提出了MSMA(二进制分段近似匹配方法)及KRNA检测算法,KRNA检测算法根据不同类型的危险信号使用不同的分段近似匹配方法进行分层检测.实验结果表明:KRNA检测算法具有较高的检测率、较低的误报率和冗余度;为进一步提高KRID的自适应能力,给出了DSAA(动态自适应算法),该算法获取各类异常信号的出现次数,将其与该类异常信号的危险频率求和取平均值后得到新的危险频率,根据新的危险频率调整检测细胞数量.实验结果表明:DSAA提升了检测器的自适应能力,减少了响应时间.     

约束差分免疫克隆算法及其在汽油调合优化中的应用

针对约束多目标优化问题,提出了一种新型的约束多目标优化算法。该算法采用了一种新型约束处理方式,先通过约束违反门限截取种群再依据约束与目标函数值针对不同情况实现对个体的优劣划分。本算法将差分进化与免疫克隆机制相融合,既利用了差分进化从全局角度进行搜索的特点,又利用了免疫克隆机制从优秀个体出发进行局部再寻优搜索的优点,扩大了算法搜索的广度与深度。测试结果表明该算法相比快速非支配排序遗传算法(NSGA-II)具有非常优秀的收敛性与分布性。将提出的算法应用于实际的汽油调合优化中,进一步验证了算法的有效性,可有效减少成本,提高产品质量。     

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．     

并行进化算法及其在航空工程优化问题中的应用

提出了用于加速气动力形状优化过程的分级型Nash基因算法．分级型算法可以看作是并行基因算法的特例，后者使用了互相联系但独立进化的子群的概念．本文在并行基因算法中引入多层分级拓扑结构以提高算法的收敛性．这种拓扑结构混合使用不同精度的模型，低精度模型用于探索搜索空间，高精度模型用于对准优解进行提纯．将此方法与Nash博弈相结合，构造了多目标优化算法，并应用于气动力优化问题．针对喷管反设计问题与多段翼型高升力优化问题，在计算机集群并行环境下进行了计算，结果表明本文的算法具有较高的加速收敛特性．     

免疫蚁群算法在电力系统无功优化中的应用

将人工免疫算法和蚊群算法相结合形成免疫蚁群算法,运用免疫机理提取疫苗获得初始解,通过免疫操作加快算法收敛速度,并用基于浓度的选择机制抑制算法的"早熟".将该算法用于求解电力系统无功优化问题进行仿真,结果表明它的收敛速度和计算精度都有较大提高.     

基于危险模式免疫算法模型

本文阐述了危险模式的基本概况及运行机理,提出了一种新型的基于危险模式的免疫算法模型,并探讨了基于危险理论免疫算法的应用领域。     

基于危险模式免疫算法模型

本文阐述了危险模式的基本概况及运行机理,提出了一种新型的基于危险模式的免疫算法模型,并探讨了基于危险理论免疫算法的应用领域.     

免疫网络调节算法及其在固定频率分配问题中的应用

提出了一种免疫网络调节算法(INRA).该算法以Jerne的独特型网络调节理论为基础,将选择、变异等遗传操作算子整合到算法惟一的免疫调节算子中,并用Segel的形态空间计算模型定量指导免疫调节算子的行为.为了证明该算法有效,还针对固定频率分配问题进行了相关实验,结果表明该算法的多样性保持能力和收敛性都相当理想.     

优化理论在营养配餐问题中的应用

本文以研究营养配餐,降低成本为目标,提出了营养的优化问题,并对物价问题给出了一种预测方法。     

改进的免疫遗传算法在优化问题中的应用

基于生物免疫系统原理,对人工免疫系统进行研究,提出了改进的免疫遗传算法.该算法的选择算子采用基于浓度和适应度的自适应式选择策略;引入免疫算子,抑制其优化过程中出现的退化现象.将改进的免疫遗传算法应用于TSP组合优化问题,仿真结果表明了该算法的有效性.     

概率树及其在概率计算中的应用

本文首先提出多重随机试验的概念,继而应用图论中赋权的出树等概念引入概率树的定义,借助概率树及其图解导出多重随机试验中的事件的概率的计算方法。并建立概率树的简化方法,解决较复杂的概率计算问题。     

阴阳萤火虫算法及其在全局优化问题中的应用研究

针对萤火虫算法(Firefly Algorithm, FA)在寻优中容易出现早熟现象、收敛不稳定的缺点,基于中国阴阳学说的内涵,提出一种新颖的阴阳萤火虫算法(Yin-Yang firefly algorithm, YYFA).首先,为了降低算法时间复杂度,设计一种新型随机吸引模型;其次,根据深度学习思想,采用阴阳萤火虫深度学习策略对当前最优萤火虫进行有效信息深度挖掘来引导萤火虫种群向更优方向移动.利用13个典型全局优化测试函数对阴阳萤火虫算法进行仿真实验,并与不同组合策略算法进行对比分析,实验结果表明YYFA算法表现出较好的全局寻优能力和稳定性,Friedman检验方法显示阴阳萤火虫深度学习策略是一种有效的改进方法.最后将YYFA算法应用到黄甫川站年径流预报问题中,利用其优选支持向量回归模型(Support Vector Regression, SVR)的超参数,构建YYFA-SVR预报模型.应用结果表明YYFA-SVR模型预报效果优于BOA-SVR模型、WOA-SVR模型和ESDA-SVR模型,预报精度较高,可为相关预报工作提供新思路.