基于記憶—評價—引導(dǎo)機制的免疫優(yōu)化算法研究.pdf

1、對生物免疫系統(tǒng)進行模仿構(gòu)造的人工免疫系統(tǒng)是高性能、自組織、魯棒性強的人工智能系統(tǒng)。最優(yōu)化問題廣泛存在于工程實踐和科學(xué)研究之中。在處理最優(yōu)化問題時，大部分智能優(yōu)化方法較少關(guān)注非基因信息的記憶與運用。因此，本文依據(jù)免疫記憶、克隆選擇等生物原理，設(shè)計記憶-評價-引導(dǎo)機制，側(cè)重非基因信息的采集與使用，對基于記憶-評價-引導(dǎo)機制的免疫優(yōu)化算法模型進行了構(gòu)建。在模型的基礎(chǔ)上，針對不同類型的優(yōu)化問題對其設(shè)計相應(yīng)的人工免疫算法。
　　本文主要研究

2、成果與創(chuàng)新點可分為以下四個部分:
　　首先，構(gòu)建基于記憶-評價-引導(dǎo)機制的免疫優(yōu)化模型。依托生物免疫原理并結(jié)合已有人工免疫算法框架進行建模。新模型嘗試將進化與學(xué)習(xí)相結(jié)合，在達爾文進化的基礎(chǔ)上，考慮以經(jīng)驗學(xué)習(xí)以及經(jīng)驗遺傳為特征的非達爾文效應(yīng)在模型中的作用。與傳統(tǒng)優(yōu)化模型相比，新模型采集探索信息并加以利用，在很大程度上減少重復(fù)搜索和盲目搜索，提高整體收斂性能。
　　其次，提出一種基于精準(zhǔn)信息記憶的單目標(biāo)免疫優(yōu)化算法，即基于變異記

3、憶矩陣的克隆選擇算法。算法利用變異記憶矩陣來保存進化中有用的變異信息，以引導(dǎo)子代的克隆和變異操作，加強局部搜索能力;運用當(dāng)代種群的綜合信息生成新抗體進入種群，以加強全局搜索能力;對最優(yōu)抗體進行自學(xué)習(xí)，以提高算法結(jié)果的精度。標(biāo)準(zhǔn)函數(shù)仿真表明，該算法適合求解復(fù)雜函數(shù)優(yōu)化問題，具有收斂速度快、全局收斂能力強、精度高和魯棒性強的優(yōu)點。
　　然后，提出一類基于模糊化信息記憶的單目標(biāo)免疫優(yōu)化算法，即基于自適應(yīng)選擇維度的免疫算法和基于等級信息反

4、饋的克隆選擇算法。前者對變異尺度分成若干等級，并設(shè)置矩陣對父代各個維度上的變異等級、變異結(jié)果、變異次數(shù)等信息進行記錄，算法利用這些反饋信息來指導(dǎo)后代個體的變異維度選擇和變異尺度的生成，提高了算法的整體性能。后者在前者的基礎(chǔ)上增加了補充機制，簡化了變異環(huán)節(jié)，在更廣的測試函數(shù)用例進行了仿真試驗，在與其他智能算法的比較中表現(xiàn)出更優(yōu)的全局收斂性能。
　　此外，針對基于模糊信息記憶與基于精準(zhǔn)信息記憶這二種記憶方式，對九個函數(shù)在不同維度下進行

5、了對比試驗。結(jié)果表明，在面對復(fù)雜高維的函數(shù)測試問題時，基于模糊化信息記憶的免疫優(yōu)化算法略有優(yōu)勢。
　　最后，提出一種基于非達爾文效應(yīng)的多目標(biāo)免疫算法。針對多目標(biāo)優(yōu)化問題，為強化非基因信息的傳承與利用，利用區(qū)間記憶變異矩陣來保存進化中成功變異的區(qū)間信息，以引導(dǎo)后續(xù)的進化操作，加強局部搜索能力;算法使用Pareto排序來選擇非劣解，當(dāng)非劣解的數(shù)量超出預(yù)設(shè)規(guī)模時，利用擁擠距離進行排序來選擇相對稀疏的抗體保留;算法設(shè)計均勻度增強算子對最后