下载文档原格式
免疫算法抗体浓度调节定义的改进免疫算法抗体浓度调节定义的改进吕岗，陈小平（苏州大学电子信息学院，苏州，215021）谭得健（中国矿业大学信电学院，徐州，221008）摘要：基于信息熵的免疫算法存在计算复杂，设置的参数需要凭经验调节和含有冗余的计算信息而导致算法收敛速度慢的缺点，通过对免疫抗体定义的改进，本文提出了一种基于矢量距的改进免疫算法并证明了它的全局收敛性。
多峰函数优化问题的测试结果揭示基于矢量距的免疫算法在全局收敛性方面要优于遗传算法；在收敛速度方面要快于基于信息熵的免疫算法。
关键词：免疫算法；熵；矢量距；收敛性引言免疫算法（Immune algorithm，IA）是一种借鉴生物免疫系统独有的计算机制，模拟生物抗体浓度自适应调节过程的全局优化算法。
与遗传算法相比，免疫算法具有保持解群分布多样性的特性，较好地克服了遗传算法易出现未成熟收敛，陷于局部最优解的缺点。
免疫算法已在函数优化［1～3］、旅行商问题［4］、人工神经网络设计［5］、电网规划［6］等领域获得了应用。
免疫算法的关键是如何求取抗体的浓度。
上述文献均采用信息熵概念来计算抗体的浓度，即通过抗体基因座的信息熵求出抗体的浓度并基于浓度进行调节操作，使抗体不断优化，最终找到最佳抗体，即最优解。
但这种方法的不足之处在于因计算复杂，设置的参数需要凭经验调节和含有冗余的计算信息从而导致算法收敛速度慢。
通过对生物免疫系统特征的进一步挖掘，本文提出了一种基于矢量距的改进免疫算法，证明了其全局收敛性。
理论分析和多峰函数优化问题的实验结果表明，与基于信息熵的免疫算法相比，此算法计算简单，且收敛速度有明显提高。
1 基于信息熵的免疫算法［1，4］以函数优化问题为例，在基于信息熵的免疫算法中，抗原和抗体分别对应。
设有N个抗体，每个抗体有M个基因，每个基因于优化目标函数和优化解xi位上采用的字符集大小为S（采用二进制编码，其字符集就为｛0，1｝，S＝2），第j个基因的信息熵H（N）为j式中pij是字符集中某个字符在第i个抗体的第j个基因上出现的概率。
一种人工免疫的自适应谱聚类算法人工免疫系统是一种仿生学理论与方法的整体框架，其灵感来源于实际免疫系统的自适应、快速、准确的识别和响应外界入侵因素的能力。
其中的聚类算法是数据挖掘领域中的一个重要方向，聚类方法被广泛运用于生物学、社会学、工程学等领域的数据分析和处理。
免疫系统中的自适应聚类算法，即人工免疫的自适应谱聚类算法具有如下特点：首先，人工免疫的自适应谱聚类算法具备自适应性，其聚类结果具有较高的准确性和鲁棒性。
算法通过自适应调整聚类参数，能够在不同数据集上自适应地调整参数，从而得到更优的聚类结果。
其次，算法基于谱聚类算法思想，并结合免疫学理论加入免疫学习算法改进空间聚类性能，可以在处理大数据时具备较好的可扩展性和速度。
在免疫算法的启发下，该算法将聚类问题视为免疫系统在识别和消除入侵因素时发挥的相似作用，即通过选择性的细胞识别和适应性调节，最终将数据集分为与训练数据相似的类别。
该算法具体实现思路如下：首先，利用谱聚类算法对数据集进行初始聚类，形成初始的聚类中心。
然后，将聚类中心作为免疫学中的抗原，进一步计算出每个样本到不同聚类中心的相似性，根据相似性实现样本对于抗原的互作机制，生成对应的克隆选择器。
接下来，通过一个免疫学习算法对每个样本进行分类标签的动态调整，最终获得聚类结果。
该算法在聚类分析中的应用可以在不同学科领域中广泛地被应用。
例如，在商业领域中，聚类算法能够对客户数据进行分类，区分并研究不同类别客户的信誉度、消费习惯和偏好等，为企业发展提供重要的数据支持。
此外，在医学领域中，人工免疫的自适应谱聚类算法能够对药物分子化学结构进行聚类分析，为研发药物提供重要的分析和研究支持。
总的来说，人工免疫的自适应谱聚类算法是一种有效的聚类方法，能够充分利用免疫算法的优势，在数据挖掘领域中广泛应用。
算法的自适应性和快速性使其不仅适用于小规模数据，同时能够处理大规模、高维的复杂数据，具有较好的推广前景。
基于免疫算法的优化问题求解随着计算机技术的不断发展，人们的生产生活越来越离不开计算机和网络。
在我们日常的工作和生活中，我们常常会遇到一些需要寻找最优解的问题，比如：最大化利润、最小化成本、最大化效率等等。
而这些问题的求解，通常需要一个数学模型和一个算法，而这个算法中最核心的部分便是优化问题求解。
那么，如何对优化问题进行求解呢？在当今的科学技术中，各种针对优化问题的算法不断涌现。
其中，基于免疫算法的优化问题求解方法，正逐渐成为一个研究热点。
免疫算法(IAS)是一种模拟生物免疫系统的计算智能算法，它具有自学习和自适应优化的特点。
IAS算法结构简单、并能够通过适应度函数对不同种群进行不同的处理，从而克服了许多传统优化算法的不足。
传统的优化算法通常是依靠遗传算法、模拟退火算法、蚁群算法、粒子群算法等去对问题进行求解，但这些算法在运行过程中常常会陷入某些误区，如早熟化(过早收敛)、漂移现象等等。
相比之下，免疫算法则具有很强的全局搜索和快速收敛能力，因此越来越受到研究者和企业的重视。
免疫算法的基本原理是模拟人体免疫系统对抗敌体入侵的过程，通过抗体-抗原互相作用的方式进行优化，最终找到符合最优化条件的抗体集合。
免疫算法的具体实现步骤包括抗体集合初始化、抗体选择、抗体进化、抗体突变和抗体克隆等。
这些步骤形成了一个完整的优化求解框架。
在实际应用中，免疫算法已经被广泛运用于工业优化、物流与供应链、机器人以及多目标优化问题等领域。
例如，在一项名为“基于免疫算法的新能源发电机组最优化配置研究”中，研究者们将免疫算法应用于新能源微网的发电机组优化配置上，通过求解并进行优化，得到了大大降低总成本和不同场景下的优化方案。
需要注意的是，免疫算法虽然具有许多优点，但同样存在一些局限性。
例如，仅针对部分复杂问题可能出现失效、抗体过多容易导致计算量过大等。
因此，在实际应用中，我们需要根据具体问题进行选择和优化，才能得到较为满意的结果。
一个与Powell搜索相结合的混合免疫进化算法
刘国志;苗晨
【期刊名称】《江西师范大学学报（自然科学版）》
【年(卷),期】2010(034)001
【摘要】提出一个求解无约束最优化问题的新的混合算法-Powell搜索法和免疫进化算法的混合算法.该算法不需要计算梯度,容易应用于实际问题中.通过对免疫进化算法的修正,使混合算法具有更加精确和快速的收敛性.利用4个基准测试函数进行仿真计算比较,结果表明新混合算法在解的搜索质量、效率和关于初始点的鲁棒性都远优于免疫进化算法,仿真结果表明了新算法是求解无约束最优化问题的一个高效的算法.
【总页数】4页(P53-56)
【作者】刘国志;苗晨
【作者单位】辽宁石油化工大学理学院信息与计算科学系,辽宁,抚顺,113001;辽宁石油化工大学理学院信息与计算科学系,辽宁,抚顺,113001
【正文语种】中文
【中图分类】TP18
【相关文献】
1.Powell搜索法和局部收缩微粒群算法的混合算法 [J], 刘国志;苗臣
2.一个与Powell搜索相结合的混合免疫进化算法 [J], 刘国志;苗晨;杜翼辰
3.Powell搜索法和惯性权重非线性调整局部收缩微粒群算法的混合算法 [J], 刘国
志;苗晨
4.一个关于无约束最优化的Powell搜索法和微粒群算法的混合算法 [J], 刘国志;宋国涛
5.基于Powell搜索法的混合微粒群算法 [J], 夏桂梅;苏长慧
因版权原因，仅展示原文概要，查看原文内容请购买。
自适应步长萤火虫群多模态函数优化算法黄正新;周永权【期刊名称】《计算机科学》【年(卷),期】2011(38)7【摘要】Because the GSO algorithm has slow convergence and low precision defects when optimizing the multi-modal function,a self-adaptive step glowworm swarm optimization(SASGSO) algorithms was proposed in this paper. This al gorithm can overcome slow convergence and low precision defects of the GSO algorithm simultaneously it can find all peaks of the multi-modal functioa Experiments show that,the SASGSO algorithm has the advantages of simple operation, easy to understand,fast convergence rates and high precision.%针对萤火虫群优化(GSO)算法优化多模态函数存在收敛速度慢和求解精度低等缺陷,提出一种自适应步长萤火虫群多模态函数优化算法(SASGSO).该算法解决了萤火虫群优化(GSO)算法优化多模态函数所存在的不足；同时SASGSO算法也可找到多模态函数的所有极值点.数值实验仿真表明,该算法具有操作简单、易理解、收敛速度快和求解精度高等优点.【总页数】5页(P220-224)【作者】黄正新;周永权【作者单位】广西民族大学数学与计算机科学学院,南宁530006;广西民族大学数学与计算机科学学院,南宁530006【正文语种】中文【中图分类】TP18【相关文献】1.改进型人工免疫网络多模态函数优化算法 [J], 陈芸;洪露2.变步长自适应萤火虫群多模态函数优化算法 [J], 黄正新;周永权3.自适应步长萤火虫优化算法 [J], 欧阳喆;周永权4.多模态函数聚类后再创种群的并行搜索佳点集萤火虫算法 [J], 方贤;铁治欣;李敬明;高雄5.二进制自适应步长萤火虫优化算法 [J], 吴轩;冯志常;胡欢因版权原因，仅展示原文概要，查看原文内容请购买。
