基于基因重组的新颖克隆选择算法

受生物免疫系统免疫机制的启发,提出了一种新的克隆选择算法RBCSA.首先,根据B细胞免疫反应中的基因重组原理引入了一种新的基因重组复合算子来加强种群个体之间的信息交互,进而提高算法全局搜索的能力.然后,对克隆选择算法中的超变异算子进行了改进,进一步加强了算法的局部搜索和寻优的能力.最后,结合新提出的基因重组算子和改进的超变异算子,提出了一种新的基于基因重组的克隆选择算法,并通过求解16个常用的全局最优化问题的经典测试函数进行仿真实验,结果表明RBCSA算法具有很好的平衡全局探索和局部寻优的能力,有效地提升了克隆选择算法的寻优性能,尤其对于高维最优化测试函数.另外,与现有其他进化算法相比,RBCSA算法显示出了很强的竞争力.

多项学习免疫优化算法

提出了多项学习免疫优化算法OL-CAIS求解全局优化问题.将混沌优化理论加入到免疫算法中,同时在算法中引入一个类杂交算子的搜索方程,更注重整个群体的交互信息,重新定义了搜索方式,然后,通过正交实验构造一个正交学习策略充分利用了搜索空间中的有用信息、正交设计小样本特性,产生更优秀的子代,保证多样化的有效搜索.

动态环境下基于聚类的克隆选择算法

提出一种在动态环境下基于聚类的克隆选择算法.在进化过程中,首先根据各个个体的空间位置,将整个种群划分成不同的聚类;其次,各个聚类共享信息,促进每个聚类各自进化.在每个聚类内部引入学习策略和交互策略来提高个体的搜索能力.另外,把每次找到的潜在的局部最优个体存储起来,在这些个体上运用局部搜索算子可以有效的提高搜索效果.在环境发生改变之后,被存储起来的潜在的最优个体可以用于最优目标的跟踪,从而节省计算资源.