自适应免疫粒子群算法在光伏MPPT中的应用

光伏阵列在局部遮阴条件下,其P-U特性曲线呈多峰特性,传统的最大功率点跟踪(MPPT)算法容易陷入局部最优,而无法追踪到最大功率点。粒子群(PSO)算法适用于复杂多极值的寻优问题,因而在多峰值MPPT中得到广泛应用。针对粒子群算法寻优过程中易早熟收敛至局部最优、迭代后期收敛速度慢以及精度低等问题,提出了一种自适应免疫粒子群算法。该算法对惯性权重和学习因子进行自适应调整,并且与免疫算法相结合。仿真结果表明:该算法在静态局部遮阴以及动态局部遮阴条件下,均能追踪到最大功率点,并且收敛速度更快,精度更高,稳定性更好。

基于自适应免疫算法的有源配电网故障定位

为应对大规模分布式电源(distributed generation, DG)并网给配电网故障定位带来的新挑战,提出了基于自适应免疫算法的有源配电网故障区段定位方法。基于自适应免疫算法进行故障区段定位,有效降低了在故障信息失真情况下传统免疫算法易陷入局部最优解的概率。首先,引入一种非线性自适应交叉变异算子改进策略,建立适用于分布式电源接入的自适应免疫算法函数计算模型,然后基于该算法对各节点馈线终端装置(feeder terminal unit, FTU)遥信信息进行处理,以快速准确地定位故障区段。基于MATLAB对含DG的IEEE 33节点配电网进行仿真验证,结果显示该方法显著提高了故障定位的速度和精度。

基于改进自适应免疫遗传算法的智能电网虚假数据攻击检测方法

作为典型的信息物理攻击,虚假数据可以实现测量输出无变化,从而欺骗基于卡方检测器的检测。为此,提出一种基于改进自适应免疫遗传算法的智能电网虚假数据攻击检测方法。首先,建立三相电压测量电网模型,分析虚假数据攻击的隐蔽特性。然后,利用抗体之间的相似度指数建立异常数据检测器,对入侵的虚假数据进行检测。此外,通过引入选择、交叉、变异算子的自适应设计,提高免疫遗传算法的收敛速度和全局寻优能力,从而改善攻击检测的性能指标。最后,通过仿真实验分析所提检测方法对虚假数据攻击的检测率和误检率,结果验证了该方法的有效性。

基于多策略免疫遗传算法的无人艇航向自适应控制

针对无人艇在真实水面环境下的航向跟踪控制问题,提出一种基于多策略融合改进免疫遗传算法(MSFI⁃GA)的无人艇航向自适应控制方法。首先,建立无人艇的二阶非线性运动模型和环境风浪流干扰模型。其次,提出一种基于多策略融合改进的免疫遗传算法,通过引入混沌初始化、向量角相似度及自适应差分接种等策略,改善基本算法收敛缓慢、易陷入局部最优的缺点;在此基础上,设计基于MSFIGA的无人艇航向自适应控制器及性能评价函数,以实现对无人艇控制参数的自适应优化。最后,通过对比仿真试验和在线仿真试验验证该方法的优越性和实用性。

基于群体划分的冠状病毒群体免疫优化算法

针对冠状病毒群体免疫优化(CHIO)算法收敛速度慢、求解精度低的问题,提出一种基于群体划分的冠状病毒群体免疫优化(SD-CHIO)算法.基于适应度均匀原则将初始群体划分为两部分,即全局寻优个体与局部寻优个体.对于全局寻优个体,在其位置更新中加入差分变异与漫反射变异策略,分别用来增强全局寻优个体之间的交流与群体多样性,从而提高算法的全局搜索能力.对于局部寻优个体,在其位置更新中引入一种自适应快速收敛策略:基于增量法进行精英预测,并加入一种自适应收敛系数使局部寻优个体能快速收敛至精英解,以提升算法的局部搜索能力.数值实验表明:SD-CHIO能够有效提高原算法的收敛速度与精度,并表现出明显优于其他元启发式算法的全局与局部搜索能力以及一定的工程价值.

自适应权重优化的树突状细胞算法

树突状细胞算法是人工免疫系统中先天免疫层的经典算法,该算法通过融合危险和安全信号发现异常。但树突状细胞算法在信号权重的取值上常需要根据数据特征手动设置,削弱了算法的自适应性。针对这一问题,引入了网格搜索法,在给定的权重范围内根据识别效果自动调整权重取值,得到适应不同类型和规模数据集的信号权重组合。在多个公开数据集上的实验结果表明自适应权重优化的树突状细胞算法能根据数据集特征自适应训练得到较合理的权重矩阵,减少了人工经验对算法准确率的影响,改进后的算法识别准确率、真阳性率等均高于原树突状细胞算法,并优于同类算法。

SIGA：一种新的自适应免疫遗传算法

为了克服传统遗传算法收敛速度慢和容易陷入局部最优的不足，提出了一种新的自适应免疫遗传算法SIGA（Self-adaptive Immune Genetic Algorithm）。新算法对遗传算子进行改进，提出了自适应交叉和变异算子，保证了种群多样性和防止早熟现象发生；为了使免疫算子兼顾个体多样性和提高种群个体适应度的水平，提出了基于相似性矢量距离的免疫选择算法。实验表明，与传统的遗传算法和免疫算法相比，该算法收敛速度提高了3～90倍，求解精度达到10^-3，并有效地抑制了早熟现象。

图像增强的自适应免疫算法

介绍了自适应免疫算法的基本原理及实现步骤 ,并将其应用到图像的增强处理中 .在传统的图像增强处理中 ,针对图像灰度分布的不同情况 ,需要定义相应的灰度变换函数 .Tubbs将图像增强处理中几种常用的非线性变换函数表示成一个归一化的非完全Beta函数 ,但确定Beta函数参数仍是一个复杂的问题 .本文利用自适应免疫算法来确定该变换函数的最佳参数值 .

自适应免疫遗传算法在轮胎花纹节距参数优化中的研究

节距参数优化是低噪声轮胎花纹优化设计的关键环节,针对轮胎花纹节距参数优化寻优时易引发数据爆炸的特点,利用自适应免疫遗传算法(AIGA)的自适应策略和快速搜索能力对节距序列参数和节距比例参数进行优化分析,结果表明该算法的收敛性和效率较遗传算法和免疫遗传算法都有明显的提高,优化结果可降低轮胎花纹噪声水平,具有工程应用价值。

一种用于优化计算的自适应免疫算法

基于生物免疫系统中的学习机理,提出了一种新的优化算法———自适应免疫算法。算法包括选择、扩展和突变操作,扩展和突变操作分别在解空间中局部和全局范围内搜索最优解。定义了选择比例、扩展半径和突变半径三个新的算法参数,并提出了根据群体的多样度自适应调节算法参数的方法,以提高算法的全局寻优性能。对TSP问题的仿真验证了该算法的有效性。

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.

基于自适应多态免疫蚁群算法的TSP求解

针对标准蚁群算法易于出现早熟停滞现象,提出了一种自适应多态免疫蚁群算法(adaptive polymorphic immune antcolony algorithm,PIACA)。通过设置多种状态蚁群及引入自适应多态蚁群竞争机制,PIACA算法能有效抑制收敛过程中的早熟停滞现象。将禁忌表中每只蚂蚁走过的路径视为抗体,对抗体运用局部最优搜索算法和免疫克隆选择算法进行高效优化,提高了解的质量。针对TSP实验结果表明,该算法在收敛速度及求解精度上均取得到了较好的效果。

自适应免疫克隆选择文化算法

免疫克隆选择算法中,单纯采用克隆选择机制的全局收敛能力较差,而采用(μ+λ)选择机制则容易陷入早熟收敛.为兼顾算法的搜索和探索能力,提出一类自适应免疫克隆选择文化算法.该算法采用文化算法的双层进化机制,提取并利用进化过程中的隐含知识,有机结合克隆选择和(μ+λ)选择两种机制,从而给出一种基于知识的自适应调整选择机制的混合选择策略.针对标准测试函数的仿真结果表明,该算法具有更稳定的全局收敛性能及较快的收敛速度.

基于自适应免疫算法的电力系统无功优化

针对电力系统无功优化问题,提出了根据各个抗体之间的距离测度自动调节参数的自适应免疫算法(adapted immune algorithm,AIA)．该算法在群体多样度的基础上,调节选择率α、克隆半径r和突变半径R,在快速收敛和保持群体多样性以避免陷入局部最优解之间进行优化．算例表明:自适应免疫算法使计算速度和收敛性均达到最优;对于IEEE14节点系统,与遗传和免疫算法相比,该算法的收敛效果提高8％,计算时间缩短55 s;与改进的免疫算法相比,其收敛效果提高2％,计算时间缩短O．5 s;对于IEEE118系统,与遗传和免疫算法相比,该算法的收敛效果提高5％,时间减少分别为493 s和336 s;与改进的免疫算法相比,其收敛效果提高3％,计算时间缩短26 s．

基于最小二乘与自适应免疫遗传算法的小型无人直升机系统辨识

针对小型无人直升机小稳定、强耦合、非线性的特点,建立了小型无人直升机悬停状态下行动力学模型.设计了一种基于最小乘与自适应免疫遗传算法(LS-AIGA)的辨识算法,根据辨识实验的需要研制了机载微小型导航、制导与控制系统(MGNC).利用飞行实验数据,根据本文的辨识算法,对所建立模型中未知参数进行了辨识.最后对得到的模型进行了验证与分析,结果表明模型辨识数据与真实飞行实验数据匹配较好,所建立模型能够反映小型无人直升机动力学特性.

基于免疫遗传算法的区域交通自适应协调控制

提出一种基于改进免疫遗传算法的城市区域交通自适应协调控制方法．采用两层的递阶分布式结构；分阶段和分级优化控制参数（周期、相位差和绿信比），每个阶段长5-30分钟，周期、相位差由区域控制级每个阶段优化一次，绿信比由路口控制级每个周期优化一次；采用最小化平均延误时间或平均停车次数等为性能指标．周期、相位差和绿信比均采用改进的免疫遗传算法进行优化．仿真结果表明本文提出的方法是可行而有效的．

基于可行解搜索和自适应免疫算法的配网重构

为提高配网重构的计算速度及效率,将自适应免疫算法(adaptive immune algorithm,AIA)用于配网重构;在此基础上结合GENOCOPⅢ(genetic algorithm for numerical optimization of constrained problems)算法对AIA进行改进,提出了对不可行解进行修复的AINOCOP(adaptive immune algorithm for numerical optimization of constrained prob-lem)算法用于配网重构,该方法综合了AIA的双层优化特点以及GENOCOPⅢ的可行解搜索方法;在基因的编码技术上,基于启发式规则,采用方便的十进制编码策略.将多种方法用于69节点系统的配网重构计算,GA、IA、AIA和AINOCOP的平均迭代次数分别为300、30、25次和12次,连续运算50次,AIA和AINOCOP在50代内可得到最优解的次数分别为8次和15次.

自适应的免疫粒子滤波车辆跟踪算法

针对真实场景中的车辆跟踪问题,提出一种改进的粒子滤波车辆跟踪算法.通过免疫重采样框架减少粒子退化,保证粒子滤波的有效性,并参照人工免疫算法的思想建立记忆库,使算法可较长时间地跟踪目标;利用背景权重直方图和分块判别机制减少因遮挡导致的跟踪偏离,同时在运动模型和抗体变异过程中加入自适应学习参数,提高算法的鲁棒性.实验结果表明,在光照变化、运动突变、目标遮挡等不同条件下,该算法具有稳定跟踪的能力,验证了算法的有效性.

求解FJSP的自适应免疫遗传算法

借鉴生物免疫系统的免疫调节机理,提出一种求解柔性作业车间调度问题的自适应免疫遗传算法(AIGA)。该算法在保留基本遗传算法(SGA)随机全局搜索能力的基础上,通过引入免疫算子和种群的自适应调节策略,保持了群体的抗体多样性。实验结果表明,该算法可有效改善基本遗传算法的未成熟收敛和局部搜索能力差的缺点,具有很好的全局收敛能力,能有效解决柔性作业车间调度问题。

一种自适应免疫遗传算法及其在系统辨识和参数优化中的应用

基于遗传算法与免疫系统的机理,提出了一种自适应免疫遗传算法(AIGA).该算法定义了选择、扩展与突变等操作,通过对选择比例、扩展半径、突变半径的约束和参数的自适应调节,提高了算法的全局与局部搜索能力.同时,将AIGA用于系统辨识以及PID参数的优化中,进行了仿真实验,取得了较好的结果,证明了该方法的有效性.