改进型免疫克隆布谷鸟算法求解软后坐火炮多参数辨识

软后坐火炮利用前冲动能抵消部分后坐能量,从而减小火炮发射过程中的冲击与振动。为进一步研究软后坐火炮发射过程中的动力学特性以及解决软后坐火炮发射过程动力学模型多参数辨识困难的问题,首先依据伯努利方程建立软后坐火炮发射过程的动力学模型,其次提出了一种改进型免疫克隆布谷鸟算法(improved immune clone cuckoo algorithm,IICCA)。该算法在更新过程中引入随机交叉与高频变异提高了算法的局部搜索能力,引入自适应算子来克服算法不易取得最佳概率值的问题,引入精英抗体提取算子来提高算法的计算效率。为进一步提高算法的收敛速度,引入动态疫苗接种策略,对疫苗接种后的抗体种群采用莱维飞行和巢寄生行为进行二次搜索。通过5个多峰测试函数对改进算法进行验证,计算结果表明该改进算法相比免疫克隆选择算法、免疫遗传算法、自适应粒子群算法和改进型布谷鸟算法均具有更高的计算精度和更快的收敛速度。最终,辨识结果与试验结果的曲线相似度高达97.02%,表明IICCA在解决软后坐火炮发射过程多参数辨识问题上的有效性和准确性。

基于免疫克隆的蚁狮算法及其桁架优化

蚁狮优化算法具有较好的搜索和开发能力,但是在寻优后期精英蚁狮的影响权重减小,导致算法收敛速度较慢且易于陷入局优,对此提出一种免疫克隆的蚁狮优化算法。前期使用反向学习策略初始化蚂蚁种群,提高种群多样性;在精英蚁狮更新中加入柯西变异算子,提高算法后期的开发能力;最后结合免疫克隆选择算法对蚁狮进行克隆变异,改变蚁狮的位置和适应度值,进一步提高算法全局寻优能力以及收敛精度。通过10个测试函数、0~1背包来评估算法的寻优能力,并运用到桁架结构的尺寸、布局优化问题中,通过受力效果图发现优化效果良好,验证了ICALO应用于组合优化问题中收敛速度更快、精度更高的特点,为结构优化提供了一种新的方法。

混合交通网络设计及免疫克隆退火算法求解研究

研究混合交通网络设计问题,以交通网络总阻抗最小为目标,在建设资金的约束条件下给出了双层规划模型.将模拟退火算法中的退火策略引入到免疫克隆算法中,设计了求解模型的免疫克隆退火算法.算例验证了算法的可行性,并通过与模拟退火算法比较证明了设计算法的有效性.最后,在给定不同建设资金的约束条件下进行了灵敏度分析,并讨论了投资成本与网络总阻抗、建设资金约束与网络设计决策的关系.

主从式免疫克隆选择算法求解任务分配问题

基于生物免疫系统的克隆选择机理,提出一种求解任务分配问题(task assignment problem,TAP)的主从式免疫克隆选择算法(MSICSA).该算法采用一种多种群策略,通过迁入和迁出操作,更新种群之间的信息,保持了群体的多样性.实验结果表明,该算法可有效改善基本免疫克隆选择算法解决大规模优化问题上的不足,具有很好的收敛性和稳定性,能有效解决任务分配问题.

一种基于免疫克隆的偏好多维QoS云资源调度优化算法

针对云计算环境中高效资源调度问题,首先从理论上对云资源调度进行了建模,对用户应用偏好和多维QoS中的用户效用进行了量化,给出了多维QoS优化的目标函数.结合具有快速多目标优化能力的免疫克隆算法,提出了一种云资源调度优化算法.根据应用偏好信息为抗体分配偏好优先级,据此进行抗体的免疫克隆操作,提高抗体免疫基因操作的预见性,改善了向最优解的高效收敛能力.实验结果分析表明,该算法能改善云资源调度系统的可用性、负载均衡离差、有效时间等方面的性能,满足了云计算环境的实际需求.

修正免疫克隆约束多目标优化算法

针对约束多目标优化问题,提出修正免疫克隆约束多目标优化算法.该算法通过引进一个约束处理策略,用一个修正算法对个体的目标函数值进行修正,并对修正后的目标函数值采用免疫克隆算法进行优化,用一个精英种群对可行非支配解进行存储.该算法在优化过程中,既保留了非支配可行解,也充分利用了约束偏离值小的非可行解,同时引进整体克隆策略来提高解分布的多样性.通过对约束多目标问题的各项性能指标的测试以及和对比算法的比较可以看出:该算法在处理约束多目标优化测试问题时,所得解的多样性得到了一定的提高.同时,解的收敛性和均匀性也得到了一定的改进.

基于免疫克隆选择的认知无线网络频谱分配研究

该文提出了图论和免疫优化理论相结合的认知无线网络频谱分配方法。采用基于矩阵的二进制抗体编码,从效率和公平性考虑设计了随机约束满足算子和公平约束满足算子,提出一种基于免疫克隆选择(ICS)的频谱分配算法。对经典克隆选择算法进行改进,增加约束满足操作保证种群编码能够满足频谱干扰限制,实现了频谱分配的约束优化。理论证明了约束满足操作的有效性,分析了算法的计算复杂性和适用性。仿真结果表明:ICS算法与颜色敏感图论着色算法相比,网络带宽明显提高;在频谱干扰严重的情况下,采用公平约束满足算子的ICS算法能显著提高网络的公平性;与参考智能算法相比,ICS算法具有较快的收敛速度。

基于量子免疫克隆聚类的SAR图像变化检测

传统的基于进化聚类方法在处理变化检测时耗时过长,在搜索最优聚类中心过程中容易陷入局部最优,对于SAR图像的变化检测存在边缘定位不够准确的缺点,提出了基于量子免疫克隆聚类的SAR图像变化检测方法.把图像的灰度值作为输入信息,通过量子比特定义聚类中心,通过量子免疫克隆算法来搜索最优聚类中心,从而得到更佳的全局阈值,最后根据阈值得到变化检测结果.实验结果表明,与K&I阈值法相比,可以得到更佳的全局阈值;与遗传聚类算法相比,可以快速、有效地搜索到更优聚类中心,准确定位边缘,提高变化检测精度.

认知无线网络中基于免疫克隆优化的功率分配

针对认知OFDM无线网络中下行链路的功率分配问题,将其建模为一个约束优化问题,进而提出了一种基于免疫克隆的求解方法。给出了功率分配的数学优化模型、算法实现过程和关键技术,设计了适合算法求解的编码、克隆、变异算子。仿真实验结果表明,在总发射功率、误码率及主用户可接受的干扰约束下,该算法可以获得更大的总数据传输率,同时具有较快的收敛速度,能够得到较优的功率分配方案,进而提高频谱利用效率。

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.

启发式自适应免疫克隆算法

基于克隆选择学说,采用浮点数编码,提出了一种新的克隆选择算法.定义了精英克隆变异和启发式交叉2种主要算子;对高亲和度抗体实施小幅变异策略以进行局部搜索,对中等亲和度抗体群实施与高亲和度抗体群进行启发式交叉的策略以加快全局搜索,低亲和度抗体则死亡再生以保持种群多样性;为防止进化停滞,自适应地调整亲和度尺度变换参数.对4个复杂函数的测试结果表明该算法有效地克服了早熟问题,收敛速度快,性能稳定,精度高.

基于免疫克隆选择算法的固定费用运输问题优化

固定费用运输问题(fcTP)是物流运输中的高级问题,属于NP难题,较难得到最优解。针对现有方法存在的不足,提出了基于免疫克隆选择的fcTP求解算法。在该算法中,抗体采用矩阵形式编码,初始抗体群随机产生,通过迭代进行克隆选择、克隆抑制、基因变异等操作,对潜在解空间进行寻优搜索。实验结果表明,对于fcTP的优化,免疫克隆选择算法能够快速收敛于全局最优解,克服了遗传算法收敛速度慢和容易陷入局部最优的缺点。

基于免疫克隆原理的改进粒子群优化算法的研究

提出了一种改进的粒子群优化(PSO)算法来进行函数优化,以克服PSO算法容易陷入局部极值的不足,加快收敛速度,从而实现全局搜索。PSO算法是基于群体智能的随机优化算法,参数结构简单,但收敛速度慢,容易陷入局部极值。通过对PSO算法的深入分析,基于传统的速度——位置更新操作,把免疫克隆(IC)原理引入PSO算法中,将抗体视为粒子,根据亲和度的高低进行粒子克隆选择、克隆抑制和高频变异,提高了种群的多样性和全局搜索的能力。测试结果表明,该算法完成全局搜索所需的迭代次数明显少于PSO算法,大大缩短了搜索时间,在多维函数最优解的搜索中具有优良的性能。

基于免疫克隆选择优化的认知无线网络频谱分配

结合WRAN(无线区域网)给出了频谱感知过程;通过分析无线认知网络的物理连接,给出了频谱分配的数学模型,并将此模型转换为以网络效益最大化为目标的带约束优化问题,进而提出一种基于免疫克隆选择优化的认知无线网络频谱分配算法,并证明了该算法以概率1收敛。最后,对此算法进行了仿真实验。实验结果表明:所提算法与CSGC(颜色敏感图着色)算法、GA-SA(基于遗传算法的频谱分配)算法相比,能更好地实现网络效益最大化,同时,基于WRAN的系统级仿真结果,进一步证明了算法的有效性。

改进免疫克隆算法的Job Shop调度

提出了基于种群协同进化的并行免疫克隆算法,将种群中个体的亲和度计算并行在多个计算节点上同时进行。引入免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了解集从可行域内部和不可行域边缘向着最优解逼近。采用了克隆增殖变异和交叉算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡。从而保证了算法较强的收敛性以及搜索空间的多样性。利用标准问题库对算法进行测试,并分析算法参数对算法结果的影响,仿真结果表明,该算法对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和遗传算法等优化算法。

免疫克隆优化聚类技术

将人工免疫系统中的克隆选择优化应用于无监督分类与识别问题,提出了一种新的免疫克隆聚类算法.该算法利用克隆算子能够同时在同一父代抗体周围的多个方向进行全局或局部搜索,促使种群中抗体快速进化,从而在特征空间内快速获得聚类问题的全局最优聚类中心,有效克服了经典聚类算法易陷入局部极值的缺点,并从理论上证明了该算法具有全局收敛性.对7个人工数据集的聚类实验和两幅纹理图像的分割实验表明:新算法比常用的K均值算法的平均分类精度高20.9%,比另一种基于遗传算法的聚类方法的平均分类精度高20.3%.

基于免疫克隆聚类协同神经网络的图像识别

该文提出了基于免疫克隆聚类的协同神经网络原型向量求解算法,该算法充分利用免疫克隆的高效全局最优搜索能力构造数据聚类算法,将新聚类算法用于训练协同神经网络的原形向量,并对Brodatz纹理图像库以及合成孔径雷达图像目标进行识别。仿真实验结果表明,相比标准协同神经网络,该算法可以提高网络的识别性能,同经典的支撑向量机相比,该算法在识别率相当的情况下,样本的训练和测试时间都明显缩短。

基于免疫克隆与核匹配追踪的快速图像目标识别

为了避免核匹配追踪通过贪婪算法在基函数字典中寻找一组基函数的线性组合来逼近目标函数的计算量大的缺陷,本文利用免疫克隆选择算法全局最优和局部快速收敛的特性,加快对核匹配追踪算法每次的匹配过程进行优化,提出了一种免疫克隆核匹配追踪图像目标识别算法,该算法有效降低了核匹配追踪算法的计算量,对UCI数据集和遥感图像进行的仿真实验结果表明,相比标准核匹配追踪,该算法保持相当识别率情况下可以明显缩短一次匹配追踪的时间,尤其当字典规模较大时效果更为明显;同基于遗传算法优化相比,本文方法目标识别速度快,精度高。

基于免疫克隆算法的认知无线电多信道联合感知方法

该文研究了认知无线电多信道联合感知的数学模型,并将此模型转换为以认知系统总吞吐率最大化为目标的带约束优化问题,进而提出一种基于免疫克隆的多信道联合感知算法。仿真实验表明所提算法在收敛速度以及稳定性上均明显优于已有的基于遗传算法的感知方法,并且所提算法在对主用户造成相同的干扰条件下能提供更高的系统总吞吐率。

基于改进免疫克隆选择算法的含分布式电源配电网规划方法

基于改进的免疫克隆选择算法,建立了包含分布式电源的配电网规划数学模型;在免疫克隆选择过程中引入聚类竞争算子及混合变异算子,使免疫克隆选择算法尽快收敛;为解决配电网规划时产生的大量不可行解的问题,借助图论知识和搜索技术给出了不可行解的修复方案,对孤岛、孤链和环进行修复,将非辐射状网络转换为辐射状网络。算例结果验证了该方法的可行性。