基于混沌免疫混合算法的多目标无功优化

针对目前评价多目标函数解的不足,提出了将多目标函数各个解映射成多维空间中不同的点,利用这些点与理想点之间的欧氏距离来衡量各个解的优劣;同时针对无功优化、混沌优化算法和免疫算法的特点,提出了在采用免疫算法进行无功优化的记忆抗体群中,运用混沌优化方法和免疫算法的交叉和变异等操作对无功优化的连续变量和离散变量进行交替优化求解,并将它们运用于以降低有功损耗,提高电压稳定裕度及减小电压偏移为目标的无功优化中;通过IEEE-30和IEEE-118节点算例系统验证了混合算法及最优解评价方法的正确性和可行性。

基于免疫遗传算法的移动机器人全局路径规划

提出了基于免疫遗传算法的静态环境下移动机器人全局路径规划方法。该方法首先建立机器人工作空间中环境信息的神经网络模型,并利用该模型建立机器人免碰撞路径与神经网络输出的关系,将免碰撞要求和路径最优要求融合成免疫遗传算法的一个简单适应度函数。将抗体选择概率表示成一个基于抗体矢量距和抗体浓度的融合函数,同时保证了抗体的多样性和成熟收敛。通过仿真,并与遗传算法相比,性能有很大提高,证明了该全局路径规划方法的正确性和有效性。

基于个体邻域的改进NSGA-Ⅱ算法

带有精英策略的非支配排序遗传算法(NSGA-II)是在NSGA的基础之上,提出拥挤度和拥挤度比较算子,代替了需要指定共享半径的适应度共享策略,是解决多目标优化问题的经典算法之一。但是NSGA-II算法在保持种群多样性时采取的拥挤距离排挤机制有着pareto前沿分布不均匀的缺陷,因此,提出一种基于个体邻域的改进NSGA-II算法SN-NSGA2。SN-NSGA2将密度聚类算法DBSCAN中邻域的思想应用到排挤机制中去,提出一种个体邻域的构建方法,采用相应的淘汰策略去除个体邻域中的其他邻居个体。实验结果表明相对于NSGA-II算法来说,新算法求出的pareto解集有着更好的分布性以及良好的收敛性。

一种改进的免疫遗传算法的性能分析

针对基于信息熵和基于欧氏距离的免疫遗传算法存在的不足,提出了一种改进的免疫遗传算法(IIGAE)。该算法重新定义了抗体相似度和期望繁殖率,从而提出了一种新的保持抗体群多样性策略。将IIGAE与D-IGAE、IGAE、GAES相比较,仿真结果表明,IIGAE能很快收敛到最优解,并且解的波动小。

最小欧氏距离下(1+1)竞争小生境遗传算法

探讨了避开事先了解和设定任何小生境相关参数的小生境方法。考虑NGA进化的特点,利用最小欧氏距离下的成对个体具有性态相似性及其大概率地同属同一小生境的特点,采用改进的进化算子建立(1+1)模拟自然小生境内性态相似个体的竞争机制,各个小生境内多对性态相似个体的竞争能够保证各小生境的同时进化,同时引入整体解空间的动态交叉和变异概率来保持群体的多样性,构造了一种全新的小生境算法。4个多峰函数优化数值试验结果证明此方法稳定、显效。

遗传算法中种群维护策略的比较

遗传算法在许多优化问题中都有成功的应用,但其本身也存在一些不足。如何改善遗传算法的搜索能力,使其兼顾收敛速度和搜索范围,能更好地解决实际问题,一直是智能计算领域主要的课题之一。本文就3种常见的种群维护策略进行了比较与讨论,并分析了不同策略的优劣之处。

基于欧式距离的多种群克隆免疫遗传算法研究

为了克服基本免疫遗传算法最优解质量不高、种群多样性较低的缺陷,将免疫系统中抗体多样性的维持机制引入遗传算法,同时提高种群多样性和避免出现早熟,提出了欧式距离的多种群克隆免疫遗传算法,并分析了欧式距离原理、多种群原理和克隆选择原理。基于欧式距离的多种群划分提高了算法全局收敛性能,克隆选择操作则提高了算法的局部搜索能力。利用测试函数分别对免疫算法、免疫遗传算法和本文提出的改进算法进行仿真比较,结果表明所提方法可行有效,收敛性好。