基于免疫克隆與粒子群的優(yōu)化算法研究.pdf

1、自然計算（Nature inspired Computation）作為一類新興的計算方法，是以自然界，特別是生物體的功能、特點和作用機理為基礎(chǔ)設(shè)計出的計算模型。它具有自適應、自組織、自學習等能力，同時具有有效模仿自然界各類運行機制的特點，能夠為傳統(tǒng)算法難以解決的各類復雜問題給出合理的解決方案，因此近年來成為人工智能領(lǐng)域的一個新的研究熱點。自然計算已在大規(guī)模復雜系統(tǒng)的優(yōu)化設(shè)計、優(yōu)化控制、智能交通、計算機網(wǎng)絡(luò)等領(lǐng)域得到了廣泛的應用。本論文圍

2、繞自然計算中較流行的人工免疫系統(tǒng)和粒子群優(yōu)化算法展開深入研究，提出一系列新算法，將提出的算法應用于汽輪機的故障診斷中，不僅拓展了自然計算的應用范圍，而且豐富了汽輪機的人工智能診斷技術(shù)。
　　歸納總結(jié)，本文的研究成果主要有以下幾個方面：
　　提出一種定向多尺度免疫克隆優(yōu)化算法，該算法利用不同初始方差的高斯變異機制，促使整個種群以盡量分散的變異尺度實現(xiàn)解空間的搜索。在利用不同大小變異算子提高全局及局部精確搜索能力的同時，利用定向

3、進化操作加快算法收斂速度。仿真結(jié)果表明該算法能夠快速定位到搜索空間的最優(yōu)解區(qū)域，進而使抗體通過定向進化操作及小尺度變異算子實現(xiàn)最優(yōu)精確解空間的逼近，在保持最優(yōu)解精度的同時，加快了算法收斂速度。
　　提出一種并行免疫克隆優(yōu)化算法。該算法將抗體群分為多個高斯變異子群和均勻變異子群，在增加算法種群多樣性，提高算法勘探(exploration)能力的同時，保證算法在進化后期具有較強的局部精確解的開采(exploitation)能力。利用不

4、同空間特征和維度的數(shù)據(jù)集進行測試，試驗結(jié)果表明該算法能有效提高全局解搜索能力。結(jié)合聚類問題，進一步給出了一種基于并行免疫克隆優(yōu)化的聚類算法，并將其應用到汽輪機故障診斷中，驗證了該算法解決實際工程問題的有效性。
　　提出一種自適應多尺度變異逃逸的粒子群優(yōu)化算法。該算法利用自適應閾值設(shè)定機制確定粒子逃逸的最佳時期，有效實現(xiàn)全局與局部搜索能力的協(xié)調(diào)；利用多尺度高斯變異和均勻變異實現(xiàn)粒子的逃逸，保持種群多樣性，防止算法陷入局部極值點，提高

5、了算法對全局解的搜索性能。利用不同的評測函數(shù)及汽輪機故障數(shù)據(jù)進行測試驗證了該算法優(yōu)良的性能。
　　提出一種協(xié)調(diào)勘探和開采能力的粒子群優(yōu)化算法。該算法通過增加隨機子群，擴大了全局解空間的勘探能力，同時為了不影響算法局部精確解空間的開采能力，該算法利用種群進化信息生成解的優(yōu)勝區(qū)域，找出更有效的最優(yōu)解子空間，引導進化子群微粒向著最優(yōu)解空間逼近，使算法始終保持最優(yōu)解空間勘探的能力，同時不影響算法的收斂速度。由于該算法引入了控制參數(shù)進行勘探