基于克隆选择算法的微电网多目标运行优化

为合理安排微电网中分布式能源的出力,建立了以日电量成本最低、日温室气体排放量最少、全天中最大节点电压偏差最小为目标函数的微电网多目标运行优化模型,并采用克隆选择算法进行求解。在求解过程中,应用固定步长和变步长相结合的空间搜索方法来提高解的精度,通过反复克隆、变异、选择等操作,得到满足约束条件的Pareto最优解集,进而利用模糊隶属度计算总体满意度,解决最优解的选择问题。IEEE 33节点系统算例验证了所提模型及算法的有效性。

物流配送中心动态选址模型及算法研究

针对传统物流配送中心动态选址模型没有充分考虑配送中心的可能状态和库存持有成本的问题,建立了一种新的模型。首先,利用两步骤近似法构建了在有库存和运输双重能力约束下,每一个周期配送中心的库存成本计算方法;然后,分别给出了配送中心在整个规划期内的打开、运营、关闭和再次打开的成本表达式;最后,分别用遗传算法、克隆选择算法、粒子群算法求解所建立的模型,并从算法的寻优能力、稳定性、运算速度和收敛性方面比较了三种算法的性能。算例测试结果表明,所建立的模型是有效的;从总体上看,遗传算法的适应性要强于克隆选择算法和粒子群算法。

基于文化克隆选择算法的梯级水电站联合优化调度

为求解梯级水电站联合优化调度问题,提出文化克隆选择算法(CCSA)。CCSA将克隆选择算法(CSA)嵌入文化算法(CA)框架,并根据克隆选择算法的特点,重新定义了文化算法信念空间的4种知识结构,进而利用这些知识结构指导克隆选择算法的演化过程,避免了高频变异对收敛速度的不利影响,从而提高了算法的收敛速度和搜索效率。函数仿真测试结果表明CCSA在继承CSA多样性好、不易早熟特点的基础上,收敛速度也有进一步提高。将CCSA应用于梯级水电站联合优化调度问题的求解,取得满意效果,为求解该问题提供了一种新的可行方法。

基于免疫粒子群算法的涡扇发动机性能仿真

涡扇发动机稳态数学模型为一高度非线性的复杂系统,用传统的迭代方法求解发动机非线性方程组存在受初值影响不易收敛的问题。为此利用粒子群算法求解,并针对算法的局部收敛现象对其进行改进:借鉴免疫算法思想,设计出基于Logstic混沌变异的粒子克隆选择机制,基于概率的粒子多样性保持机制。对测试非线性方程组求解的结果表明引入免疫机制的改进算法较被比较的典型算法在搜索性能和收敛速度方面有明显改善。将改进的粒子群算法应用到某型涡扇发动机稳态性能计算,从仿真结果可知,基于免疫粒子群算法计算过程收敛速度明显加快,计算误差显然小于其他改进算法。经验证,该算法在不同的工作状态下与试车试验值的误差在0.5%左右,达到较高的计算精度。

基于Hénon映射的自适应克隆选择优化算法

免疫算法与遗传算法都存在的不成熟收敛问题。混沌优化方法是近年出现一种新的优化技术,通常使用Logistic或Tent映射产生混沌序列进行搜索,Logistic映射产生的混沌序列的概率密度函数切比雪夫型分布,当最优值落在[0,1]的中间位置时,这种分布特性会影响全局搜索能力和效率。而Tent映射也存在迭代易落入小周期循环的问题。针对免疫算法和混沌优化算法中存在的缺陷,该文用变尺度的搜索策略,提出了一种基于Hénon映射的自适应克隆选择的优化算法,数值仿真结果表明,该文提出的算法提高了局部搜索的能力及其计算效率,算法可行有效。

基于实数编码的克隆选择算法及其应用

将克隆选择算法的二进制编码改为实数编码 ,即直接用实数进行编码 ,利用了免疫学Ag Ab的相互作用和细胞进化现象 ,通过免疫记忆机制 ,保存各个局部最优解 ,克服早熟现象 .通过几个模拟实验 。

考虑库存成本的配送中心动态选址模型及算法

为了解决传统配送中心选址没有同时考虑库存持有成本和决策环境的动态变化的问题,建立了一种新的模型。首先,利用两步骤近似方法获得(Q,R)库存策略下每一个周期配送中心的库存成本计算公式;然后,针对传统设施动态选址模型对选址成本的不恰当表示进行了修正,并与库存成本计算方法相结合,从而建立考虑库存成本的配送中心动态选址模型。最后,分别用遗传算法、克隆选择算法、粒子群优化算法求解所建立的模型,并从算法的精确度、稳定性、运算速度和收敛性比较了三种算法的性能。算例测试结果表明:所建立的模型是有效的;从总体上看,遗传算法的适应性要强于克隆选择算法和粒子群算法。

改进免疫算法在函数优化中的应用

在对已有克隆选择算法的抗体行为特征分析的基础上,提出了一种新的偏心动态免疫克隆算法(EDICA,Eccentric Dynamic Immune Clone Algorithm).利用进化过程中子代抗体比父代抗体更靠近最优解的启发性信息,提出偏心变异策略,使抗体更快地靠近最优解域.引入控制因子,通过动态调整变异搜索半径的方法,在进化初期加大步长以加快搜索速度,而在后期减小搜索粒度以提高优化精度.采用超球体混沌变异策略以克服各向异性的不利影响并提高全局搜索能力.实验结果表明:EDICA不仅能够准确地找到静态函数的多个最优点,而且还能以较高的精度锁定和跟踪动态函数的最优点.

温室穴盘苗自动移钵路径优化

为了优化移栽机补栽作业时的移钵路径,该研究基于免疫算法构建了克隆选择算法和免疫遗传算法2种适合求解移钵路径优化问题的模型,并与固定顺序法和遗传算法对比,进行移钵路径规划仿真试验和验证试验。结果表明:克隆选择算法模型和免疫遗传算法模型均能有效优化移钵路径,免疫遗传算法模型的路径规划效率较高,而克隆选择算法模型的路径规划效率较低。验证试验条件下,该研究2种模型的路径规划长度分别为48 977和48 945 mm,相比固定顺序法分别缩短7.59%和7.65%,相比遗传算法模型分别缩短3.60%和3.66%;2种模型的计算时间分别为5.86和2.72s,免疫遗传算法模型的计算时间相对遗传算法减少15.79%。免疫遗传算法模型可作为温室穴盘苗后续机械化批量补栽的路径规划控制基础。

使用免疫克隆选择机理的故障检测器优化

免疫算法产生的检测器集中,存在集合边界不清晰和个体分布不均匀的缺点。提出了一个免疫克隆选择检测器优化算法。通过对原检测器中个体的抗体克隆、变异和克隆选择操作,实现对检测器分布状况的优化。与其他免疫优化算法的对比仿真结果表明其不但具有较快的收敛速度和较好的稳定性,而且优化效果更为令人满意。

多峰值函数优化的改进克隆选择算法

通过分析Castro提出的CLONALG算法在优化多峰值函数时存在峰值搜索能力弱、最优解易退化、收敛效率低等问题的根源,提出了一种基于记忆库小生境自适应克隆选择算法(MNACSA)。该算法首先采用小生境机制将种群分成若干类、分别从每个类中选出最优个体组成新种群;其次建立记忆库和自适应的高频变异率、且在库中引入最佳抗体抑制操作。对算法进行了分析和仿真实验,证明了该算法可以防止优秀个体退化、自动调节种群个体数目、提高优化效率、增强多峰搜索能力。

覆盖网络的链路优化问题研究

在综合考虑各个影响覆盖网络路由性能因素的基础上,提出针对覆盖链路选取问题(OLSP)的多目标优化模型,利用覆盖链路对物理链路的重用度因素使模型能以最少的维护代价获得最高的覆盖路由性能。采用Pareto占优理论和免疫克隆算法对OLSP进行求解,通过数字仿真实验验证该模型的合理性和ICA的有效性。

基于免疫克隆优化的阴性选择算法在电机故障检测中的应用

阴性选择算法(NSA)和免疫克隆选择算法是两种典型的人工免疫系统。首先介绍了阴性选择算法和免疫克隆算法的基本原理,由于阴性选择算法的检测器存在大量无法检测的黑洞。采用免疫克隆优化算法对阴性选择算法生成的检测器进行优化,以提高故障检测率。最后通过检测电机的故障轴承证明了方法的有效性。

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.

混沌-克隆进化算法

将混沌优化机制和免疫克隆进化算法有机结合,用混沌浮点数编码代替克隆选择算法的二进制编码,利用混沌随机序列产生初始种群,保证初始种群的多样性。对高亲和度抗体采用混沌扰动策略,对抗体根据其亲和度大小加以不同的混沌扰动;混沌扰动系数随进化代数而变化,进化前期加速搜索,进化后期加速收敛。对低亲和度抗体采用混沌再生策略,保持种群多样性。对5个复杂函数的优化试验结果表明,该算法优于混沌优化算法和克隆选择算法。

一种免疫微粒群优化算法

引入克隆选择操作和借鉴免疫学习中较好的多样性来克服微粒群算法易陷于局部最优以及对多峰值函数搜索效果不佳的缺点,构建了一种免疫微粒群算法。将该算法应用于4个常见的测试函数,实验结果表明,该算法比标准微粒群算法有更好的收敛性和更快的收敛速度。

免疫算法求解函数优化问题及其SoPC实现

SoPC是Altera公司近年来提出的一种灵活、高效的软硬件协同设计可编程片上系统。本文首先搭建硬件平台,在此平台上进行软件开发,运用改进免疫克隆选择算法解决函数优化问题。仿真结果表明,在SoPC上处理函数问题是可行的,并且算法具有优良的收敛速度及实时处理和抗退化能力。

基于人工免疫克隆选择算法的不可靠测试点优化

针对实际复杂系统诊断与测试过程中普遍存在的不确定性问题,提出测试不可靠条件下基于人工免疫克隆选择算法(artificial immune clone selection algorithm, AICS)的测试点优化选择方法。通过综合考虑故障检测率、隔离率、虚警率以及测试总费用等性能指标,构造了反映测试点集性能的适应度函数,并设计了基于AICS的不可靠测试点优化方案,有效地降低了算法复杂度,时间开销缩减到0.496 s,提高了运行效率。最后用燃油耗量测量系统的耗量组件进行实例验证,结果表明该方法能够获得在满足故障检测率、隔离率、虚警率等性能指标要求下,使得测试总费用最少的测试点集合,并且其综合性能指标优于遗传算法和模拟退火粒子群算法。

云平台下工作流任务调度的克隆选择改进算法

提出一种基于克隆选择算法(CSA)的任务完成时间—经济成本多目标优化算法。该算法利用前驱任务优先调度策略生成合法的初始种群,避免随机解引起算法收敛速度慢的问题;在种群的进化阶段,引入交叉算子,增加了种群的差异性。与遗传算法(GA)的对比实验证明该算法在提高收敛速度和探索最优解方面性能更优。

某交流伺服系统的免疫克隆粒子群优化自抗扰控制

针对采用永磁同步电机(permanent magnet synchronous motor,PMSM)驱动的某火箭炮位置交流伺服系统存在摩擦力矩、外界扰动等一系列复杂非线性问题,设计一种基于免疫克隆粒子群优化算法的自抗扰控制器(IPSO-ADRC)。根据自抗扰控制(active disturbance rejection control,ADRC)抗干扰能力强和粒子群优化算法(particle swarm optimization,PSO)寻优能力强的特点,采用免疫克隆粒子群优化算法在线整定自抗扰控制器的重要参数;并将克隆选择算法(clonal selection algorithm,CSA)融入到粒子群算法中,维护群体种类的差异性,解决PSO算法的缺陷问题。仿真实验结果证明:该控制策略使系统的稳态性能更好,并能提升系统的动态品质。