一种新的免疫算法及其在多模态函数优化中的应用

提取免疫应答的部分简化机制并结合小生境技术,提出一种用于多峰值或非连续函数优化的免疫算法.该算法由记忆细胞获取、克隆选择、亲和突变及群体更新这四种算子模块构成.这些算子的有机组合不仅为最优化问题的解决提供了实用新方法,而且反映了抗体应答抗原的简化运行机制.算法设计的重点是借鉴小生境共享实现方法的思想建立有助于增强群体多样性及保留优良抗体的记忆细胞获取算子,以及利用亲和成熟机理设计抗体突变算子.所获算法具有整体和局部搜索能力及并行搜索特点.理论证明了其收敛性.仿真事例比较表明此算法不仅是有效的,而且能快速搜索到多个最优解(针对于多解最优化问题).

多模态函数优化的协同多群体遗传算法

讨论了多模态函数优化的遗传算法 ( GA)求解方法 .分析了传统的基于排挤选择模型和基于适应值共享的 GA方法的特点和不足 ,应用模式理论研究了 GA群体进化行为 .提出了宏观小生境思想和协同多群体 GA的基本框架和详细算法流程 ,并给出了一种自动小生境半径估计方法 .采用典型函数进行了实例计算 ,结果表明了协同多群体 GA的有效性 .

多模态函数优化的多种群进化策略

在一种使用单基因变异、精英繁殖、递减型策略参数的改进进化策略基础上,提出了一种求解多模态函数多个极值点的多种群协同进化策略,并给出了子种群进化概率、停止条件的确定和收敛到极值点的判断条件.在求多极值点的进化算法中,判别两个极值点是同峰还是异峰极值点是一个困难而关键的问题,为此引入了一种新的判别方法——山谷探索法,从而避免了确定小生境半径或峰半径.一组测试函数的仿真计算结果表明了所提出的算法能准确地找到全部极值点.

自适应步长萤火虫群多模态函数优化算法

针对萤火虫群优化(GSO)算法优化多模态函数存在收敛速度慢和求解精度低等缺陷,提出一种自适应步长萤火虫群多模态函数优化算法(SASGSO)。该算法解决了萤火虫群优化(GSO)算法优化多模态函数所存在的不足;同时SASGSO算法也可找到多模态函数的所有极值点。数值实验仿真表明,该算法具有操作简单、易理解、收敛速度快和求解精度高等优点。

多模态函数优化的免疫算法

模拟抗体搜索机制,结合免疫网络理论,提出一种新的优化算法.该算法用抗体表示函数优化解的可能模式,通过构造克隆选择算子完成全局和局部最优解的搜索,利用B细胞网络保持多种抗体并存.典型函数优化测试结果表明,该算法能够较好地实现全局最优解和局部最优解的同步搜索和保持,具有较强的多模态函数优化能力.

多模态函数优化的拥挤差分进化算法

针对目前多模态优化存在无法找到全部局部极值解的问题,提出了一种基于拥挤模型的差分进化算法,利用差分进化算法的全局搜索策略和内在的并行方式,通过拥挤模型的高群集因子(crowding factor,CF)搜索,避免了取代错误,保持了物种的多样性,可准确定位多模态函数的最优解和全部极值解.同时,该算法具有参数少、操作算子简单、收敛速度快等特点.实验结果表明,提出的拥挤差分进化算法处理多模态优化问题时在收敛速度、收敛精度上皆明显优于拥挤遗传算法.

多模态函数优化的拥挤聚类遗传算法

对多模态函数优化问题,分析了各种小生境策略;将拥挤模型与聚类算法相结合,提出了一种拥挤聚类遗传算法.拥挤模型在适应值曲面上形成多个小生境,聚类算法消除了每个小生境内部的基因漂移现象.理论分析证明了算法的收敛性能.数值实例表明,拥挤聚类模型在多极值搜索的数量、质量和精度上都优于拥挤模型与确定性拥挤模型.将拥挤聚类遗传算法应用于国家同步辐射实验室变间距全息光栅的设计,取得了满意的效果.*

基于多模态函数优化的改进克隆选择算法

文章分析了deCastro和VonZuben在2002年提出的用于多模态函数优化的克隆选择算法(CLONALG)的不足,并且运用小生境技术、记忆方法、梯度法和相似性抑制法对该算法进行了改造,提出了小生境克隆选择算法(NCSA)。利用马尔柯夫链为数学工具,从理论上证明了NCSA的完全收敛性(CompleteConvergence)。该算法与CLONALG进行了仿真比较实验,不仅验证了NCSA理论上的完全收敛性结论,同时验证了所提算法对于求解多模态问题更为有效,且具有很好的稳定性。

变步长自适应萤火虫群多模态函数优化算法

针对萤火虫群优化(GSO)算法优化多模态函数存在收敛速度慢和求解精度不高等缺陷,提出一种变步长自适应萤火虫群优化算法(CSGSO)。该算法主要思想是在GSO算法中引入搜索成功与失败概念,在每次迭代中萤火虫个体据其搜索成功或失败,加大或减小其搜索步长,使算法具有动态自适应性。实验结果表明,该算法可有效地解决GSO算法优化多模态函数存在收敛速度慢和求解精度不高的问题,增强了GSO算法优化多模态函数的性能;与其他算法相比,提出的算法具有操作简单、容易理解、收敛速度快和求解精度高等优点。

一种快速有效的多模态函数寻优方法─—双群体遗传算法

为了解决多模态函数优化问题中全局搜索和局部优化的矛盾，本文提出一种模仿社会分工现象的观群体遗传算法，该算法用一个群体搜索，另一个群体优化，仿真结果表明：和现有方法相比，该算法不仅不会陷入局部极小点，而且收敛速度极快，是一种多模态函数寻优的有效方法。

面向多模态函数优化的混沌免疫网络算法研究

针对人工免疫网络解决多模态函数优化时可能出现的早熟收敛现象和搜索精度不甚满意的问题,提出改进的混沌免疫网络算法。改进算法终止条件及采取相应措施以避免早熟,利用混沌变量来模拟免疫细胞的增殖方式以提高算法的搜索精度。通过对一些典型测试函数进行仿真实验,结果表明该算法能够快速优化抗体,搜索能力强,搜索精度高,是一种效果优良的解决多模态函数优化问题的极值寻优方法。

一种基于DNA计算的多模态函数求解模型

通过对DNA计算的研究,提出了一种在DNA计算的基础上引入一种基于Lokta-Volterra方程的生态竞争繁殖、家庭选择机制等的求解多模态函数的进化算法,使得群体能够保持多样性,并有效地避免了早熟收敛,通过对测试函数的求解,同时搜索到多模函数多个极值峰点,取得了令人满意的结果。

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性.

面向多模态函数优化的回溯克隆选择算法

针对多模态函数优化问题,提出了一种基于回溯机制的改进克隆选择算法——回溯克隆选择算法(BCSA),采用改进回溯机制和记忆库抗体抑制策略,保持了抗体的多样性,以增强算法的全局搜索能力;通过改进动态变异、选择与交叉操作提高算法收敛速度。典型的多模态函数测试结果表明:回溯克隆选择算法具有优良的全局搜索能力和搜索效率。

多模态函数优化的小生境克隆选择算法

分析了传统用于多模态函数优化问题小生境遗传算法的特点和不足,基于免疫系统的克隆选择原理,提出一种解决多模态函数优化问题的小生境克隆选择算法(NCSA),通过3个典型的多模态函数寻优问题的仿真实验,说明实现了小生境克隆选择算法在解决多模态函数的优化问题时的有效性.

基于免疫原理的多模态函数优化算法

借鉴免疫原理,提出了一种新的多模态函数优化算法。通过构造克隆选择算子,利用抗体单性繁殖和优选进行函数快速局部优化;借助B细胞网络完成各种局部优化结果自组织记忆,有效地实现了全局最优解和局部最优解的快速搜索和保存,证明该算法具有较强的多模态函数优化能力。

一种多模态函数优化的免疫算法

结合免疫系统的研究成果,并基于克隆选择原理和免疫网络理论,设计并实现一种多模态免疫优化算法。算法的主要操作算子包括Baldwin效应设计、克隆选择、超变异及通过免疫网络调整对抗体相似性抑制等。通过对不同的多模态测试函数进行仿真实验,证明了算法具有较强的多模态函数优化能力。

多模态函数优化的小生境蚁群算法及其仿真分析

结合蚁群算法基本原理,设计一种解决多模态函数优化问题的小生境蚁群算法(NACA),算法采用实数编码,通过对NACA仿真研究,并和相关算法的仿真结果进行比较分析,结果表明NACA具有参数易于选择、适应性强、收敛性好等优点,非常适合于求解同时具有多个最优解或需要搜寻局部最优解的多模态函数优化。

基于免疫进化机制的多模态函数优化算法

基于免疫细胞中不同亲和度抗体具有不同的变异率,最终通过不断进化达到亲和度成熟机理的启示,设计并实现了一个多模态免疫优化算法.算法的主要操作算子包括超变异、正选择、记忆细胞产生和抗体相似性抑制.通过对典型的多模态测试函数进行仿真实验,证明算法可以快速搜索到多模态函数的全局最优解和多个局部最优解,同时也表明该算法具有较强的优化性能.

拉伸技术克隆选择算法多模态函数优化研究

为了提高克隆选择算法对复杂多模态函数优化问题的全局最优解搜索能力,基于"Stretching"拉伸技术提出了一种拉伸克隆选择算法(SCSA),该技术能在算法的搜索过程中,不断缩小目标函数局部极值点的搜索范围,从而提高算法的优化效率.为增加算法种群的多样性及提高算法的全局收敛性,算法中引入了混沌变异机制和基于抗体的浓度及亲和度差的选择机制.多模态函数优化实验结果表明,基于该技术的SCSA算法相比传统的人工免疫算法能有效地抑制早熟收敛,具有更好的收敛速度和精度,是一种有效的多模态函数优化算法.