当前位置：文档之家 › 基于相似性矢量距的免疫遗传算法在函数寻优中的应用

基于相似性矢量距的免疫遗传算法在函数寻优中的应用

  • 格式：pdf
  • 大小：146.89 KB
  • 文档页数：2

［ ］ Ｍ ｈ ｓ ， ａｕ Ｐ Ｒ ｄ ａｒ ｈ ａ ． Ａ ｐ Ｐ ｌ ．． ｉ１９ ４ ａｅｈ Ｇ Ｎ Ｂ ａ ，ａ ｈｋｌ ｒ ｍ ＧＪ ｐ ｌ ｏ ｍ［ １ ｃ， ７ ｓｔ ｙ ＩＳ ９
（５ ： １５ ２ ０ ． ６ ） ２ ０ — １ ９
（ 责任编辑 ： 王永胜 ）
绍 了该 算法的基本 步骤及特 点 ， 并通过对 Ａ ｋｅ 测试 函数 性能分析 实验 ， ｃｌｙ 对所采 用算 法的优化性能进行 了分析 与验证 。 结果表明该算法能以较快 的速度完成给定范围的搜
索和全局优化任务 ， 较标准遗传 算法具有更强的全局搜索能力。
关键词 ： 工免 疫系统 ； 疫遗传 算法 ； 人 免 相似性 矢量距
ＱＩ ｉＳ Ｎ ｅ ｇｒ ｉＧＯＮＧ ａ Ｕ Ｌ ， Ｕ Ｆ ｎ －ｕ， Ｔｏ
ＡＢＳ ＴＲＡＣＴ： ｈ ｓ ａ ｅ ｏ ｏ ｅ ｅ ｅ ｆ ｌ ｈ ｔ ｑ ｅ ｕ ｏｙ ｒ ｔ ａ ｅ ｒ ｓ ａ ｃ ｅ ｎ ｔ ｅｉ ｆｕ ｎ ｅ ｆｔ ｅ ｖ ｒｅｙ Ｔ ｉ ｐ ｐ ｒｃ ｍｐ ｓ ｓａ ｓ ｒ ｓｏ ｉ ａｉ ａ ｕ ｏ ｓ ｐ ｌ ｕ ｅｈ ｎ ， ｅ ｅ ｒ ｈ ｓｏ ｎ ｅ ｃ ｓｏ ａ ｉｔ ｉ ａ ｐ ｃ ｈ ｌ ｈ
２０ 年 ０７
第 １ 卷 第 １ 期 ７ ７
收稿 日期 ：０ ７ ０ — ５ ２０ — ３ １
基于相似性矢量距的免疫遗传算法 在函数寻优中的应用
武 斌 ， 良昱 ， 苏 谢 刚
（ 太原理工大学信 息工程学 院， 山西太原 ，３ ０ ４ ００２ ）
摘 要： 在分析人 工免疫算法的基础上 ， 采用 了基 于相 似性 矢量距的免疫遗传 算法 ， 介
中图 分 类 号 ：Ｐ ８ Ｔ １ 文献 标 识 码 ： Ａ
近年来 ， 人们不断将生物免疫 系统的一些行为引入到传统 的仿生算法
中 ， 出人工免疫算法 。文献［ ］ 构造 ］ ２在进化算法的基础上 引入免疫算子 ，
免疫算子包括接种疫苗和免疫选择两个步骤 ， 前者是根据先验知识修改个 体 中的某些 基因 ， 使个体的适应度提高 ； 后者是对接种了疫苗 的个体进行
１ 基 于相似 性 矢量距 的免 遗传 算 法
本文采用 的基于相似性矢量距 的免疫遗传算 法采用 了基于相 似性 的矢量距 的选择 策略和保 留记忆 细胞群体 ， 加了群体 的多样性 ， 增 保留 了更 多不 同的最优个体 。这样 能加快算法找到全局最优值 。图 １是该 算法 的流 程图， 其基本步骤如下 ： 图 １ 基 于相似性矢量距的免疫遗传算法 流程 图 体， 否则随机产生初始群体。
（） １抗原识别 ： 相当于算法所要解决 的问题 ， 抗原 所要求解 的问题 就
相 当于机体受到 的抗原侵入。抗原识别模块主要是判断侵入的抗原是 不 是 曾经遇到过的抗原 。
（） ３ 抗体适应度评价 ： 当前的群体 中 ， 在 计算所有抗体的适应度 。在 免疫遗传算法 中， 适应度评价 函数通常 采用待优化问题 目标 函数的某一
维普资讯
科技情报开发 与经济
文 章 编 号 ：０ ５ ６ ３ （ ０ ７ １ — １９ ０ １０ — ０ ３２ ０ ）７ ０ ５ — ２
Ｓ Ｉ Ｅ ＨＩＦ Ｒ Ａ ＩＮＤ Ｖ Ｌ Ｐ Ｎ Ｃ— Ｃ Ｏ Ｍ ＴＯ Ｅ Ｅ Ｏ ＭＥ Ｔ＆Ｅ Ｏ Ｏ Ｙ Ｔ Ｎ ＣＮＭ
工大学 ， 助教 ， 太原理 工大学化学化工学院 ， 山西省太原市 ，３０ ４ ００２ ．
Ｔｈ ｎ ｕ ｎ ｅ ｆ ｏ ｔ ｎ ｒ ｅ ｍｅ ｔ ｎ ｔ ｅＰｒ ｐ ｒ ｙ ｅＩ ｆ ｅ ｃ ｓｏ ｆ ｄ Ｈａ ｄ Ｓ ｇ ｎ ｏ ｅ ｔ ｌ Ｓ ａ ｏ ｈ
ｏ ｉ ａ ｉ ｑ ｏ ｌ ｕ ｅ ｈ ｎｅ ｆＡｌｐｈ ｔｃＡ ｕｅ ｕｓＰｏ ｙ ｒ ｔ ａ
［ ］ 鹿 秀山 ， 广杰 ， ５ 郝 郭天瑛 ， 等 旨 肪族 水性聚氨酯 的动态力学行为研
究［ 高分 子学报 ，０ ３ １ （ ：２ — ２ ． Ｊ． ２０ ，２６）８ １ ８ ５
第一作者 简介 ： 邱
丽 ， ，９ ６ ｌ 月生 ，０ ４ 女 １７ 年 Ｊ ２ ０ 年毕 业于太原 理
［ ］ 李绍雄 ， ６ 刘益军． 聚氨酯树脂及其应用 ［ ． ： Ｍ］ 北京 化学 工业出版社 ，
本文采用 的基于相似性矢 量距 的免疫遗 传算法是 借鉴生物 免疫 系 统的 自适应识别和排除侵入机体 的抗 原性异 物的功能 ． 将生物免疫系统 的学习 、 忆和多样性 的特点 引入 遗传算 法。该算法 由于在遗传算法 的 ｝ 己
基础上引入了抗体间亲和度 的计算及调节 机制 ， 能有效保持抗体的多样 性， 从而避免了遗传算 法中存在 的早熟收敛问题 。
检测 ， 个体适应 度增大则保留， 否则淘汰 。文献 ［ ］ 免疫进化算法用 于神 ３将 经网络设计 ， 利用生物免疫原理 中的浓度机制 和个体多样性保持策略进行 免疫调节， 有效地克服 了末成熟收敛问题 。 文献［ ］ 出免疫 ａ ｎ 概念 ， ４提 ｇ ｔ ｅ 构
造出一种能对动态环境进行实时监控的多免疫 ａｅ ｔ ｇｎ 网络模型。
变换 。 （） ４ 记忆 细胞更新 ： 如果抗 原是新的 ， 在当前 的群 体 巾， 则 对适 应度
２０ ７４７６ ０ ２： ２ － ２
（ ） 始抗体产生 ： ２初 如果 抗原识别模 块判断 出侵入 的抗 原是曾经 遇
到过 的抗原 ， 从记忆 细胞 （ 则 即记 忆单元 ） 中取出相应 的抗体组成初始 群
ｏ ｈ ｏ ｔｓ ｇ ｎ ｎ ｈｅ ｉｏ ｙ ｎａｅ ｓｒ ｔ ｒ ｆｔ ｒ ｅ ｍｅ ｔｏ ｈ ｃ ａ ｉａ ｏ ｅ ｔ ， ｈ ｄｉ ｅ ｉｔ ｎ ｅ ａ ｄ ｆｔ ｅ ｓ ｆ ｅ ｍｅ ｔａ ｄ ｔ ｓ ｃ ａ ｔ ｔｕｃｕ ｅ ｏ ｈａ ｄ ｓ ｇ ｎ ｎ ｔ ｅ ｍｅ ｈ ｎ ｃ ｌｐｒ ｐ ｒｙ ｔ ｅ ｍｅ ａｒ ｓｓａ ｃ ｎ ｈｅ ｔ ｅ ｔ ｒ ｌｓａ ｌｚ ｔｏ ｆ ｈ ｒ ｄｕ ｔ ． ｈ ｈｅ ｍａ ｔｂｉ ａ ｉ ｎｏ ｅ ｐ ｏ ｃｓ ｉ ｔ

合集下载

SPSA算法及其在函数寻优与控制中的应用研究

SPSA算法及其在函数寻优与控制中的应用研究

ｂａｓｅｄｏｎＳＰＳＡｔｏｔｈｅｃｏｎｔｒｏｌｏｆｔｈｅｓｈｉｐ’Ｓｈｅａｄｉｎｇ，ａｎｄｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｖｅｒｉｆｙｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｓｃｈｅｍｅ．Ｋｅｙｗｏｒｄ：ＳｉｍｕｌｔａｎｅｏｕｓＰｅｒｔｕｒｂａｔｉｏｎＳｔｏｃｈａｓｔｉｃＡｐｐｒｏｘｉｍａｔｉｏｎ；ＰＤＣｏｎｔｒｏｌ；ＦｕｎｃｔｉｏｎＯｐｔｉｍｉｚａｔｉｏｎ；ＨｅａｄｉｎｇＣｏｎｔｒ０１．ＩＶ青岛科技人学研究生学１１：７：论文第一章绪论１．１研究的背景及意义当今社会，一方面控制系统规模越来越大，控制设备、工艺及过程愈来愈复杂的：另一方面人口持续增长而自然资源不断减少。

因此人类针对这两方面所要做出的优化决策日益增多。

所以我们可以预见，在未来里优化算法会大有所为。

研究一种无模型的、高效的、能处理复杂问题的优化算法显得尤为重要。

多变量随机优化在许多工程系统的分析和控制中扮演着重要的角色。

在几乎所有现实世界的优化问题中，由于我们很难利用分析的方法来获得问题的最优解，因此有必要使用一种数学算法，迭代地求出最优方案。

本着这一思想，美国霍普金斯大学ＡＰＬ实验室的Ｊ锄ｅｓ．Ｃ．Ｓｐａｌｌｔｌ’２’３，３６’４２’４３１教授提出了用于解决复杂、多元优化问题的同时扰动随机逼近算法（ＳｉｍｕｌｔａｎｅｏｕｓＰｅｒｔｕｒｂａｔｉｏｎＳｔｏｃｈａｓｔｉｃＡｐｐｒｏｘｉｍａｔｉｏｎ，简称ＳＰＳＡ）。

ＳＰＳＡ算法已被证明是一种非常有效的随机优化方法。

它的丰要优点是易于实现、不需要损失函数梯度的直接测量、对测量噪声具有鲁棒性，理论和仿真实验都支持其相对有效性。

实验证明，当实际问题中存在多个（局部和全局）极小值时，该算法总能找到一个全局最小值。

相对于其他方法如有限差分法（ＦＤＳＡ）、模拟退火（ＳｉｍｕｌａｔｅｄＡｎｎｅａｌｉｎｇ）、遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ），ＳＰＳＡ擅长于梯度信息缺失、损失函数的测量存在噪声、高维度的优化问题。

非线性规划的遗传算法在多峰函数优化中的应用

非线性规划的遗传算法在多峰函数优化中的应用

实施 局 部搜 索 ， 以 得 到 函数 优化 问题 的全 局 最 优 解 ． 通过 测 试 函数 证 明 ， 结合 非线 性 规 划 后 ， 遗 传 算 法 不 仅 能 解 决 多 峰 函数 寻优 过 程 中 易陷 人 局 部 最 优 的 问 题 ， 而 且 具 有 很 高 的寻 优 效 率 ． 取 得 满 意 的结 果 ．
优解 。 并 提 高 迭代 寻 优 效 率 ．
１ 算法简介
遗传算法 【 ８ ］ ， 作为一种随机搜 索算法 ， 基于随机产生的初始种群 ， 通过选择 、 交叉 、 变异操作开始搜 索优
化 问题 的最 优 解 而产 生 新 种 群 ． 经过逐步进化 ， 遗传 算 法 准 确 或 大概 率 收 敛 于优 化 问题 的全 局 最优 解 。 从 而 获 得 优 化 问 题 的最 优 解 或 次 优 解 ． 由于 遗传 算 法 具 有 良好 的全 局 搜 索 能力 和易 于 实 现 等 优 点 ， 对 传 统 搜 索 算 法难 以解 决 的复 杂 和 非 线 性 优 化 问 题 ， 遗 传 算 法 具 有 较 强 的处 理 能 力 ． 目前该 算 法 已广 泛 应 用 于 组 合 优 化 等 领域 ， 并 取 得 了 良好 的 应用 效 果 ． 但在应用过程 中， 人 们 也 发 现 遗 传算 法 也具 有 局部 搜 索 能 力 较 差 和 收敛 速 度 缓 慢 等缺 点 ． 特别 是 对 于 多 峰 函数 的优 化 问题 ， 往往 不 能 得 到 问题 的 最 优解 ． 为 了提 高算 法 的局
第２ ４卷 第 ２期 ２ ０ １ ３年 ６月
广 西 科 技 大 学 学 报
Ｊ ＯＵ ＲＮＡＬ ＯＦ ＧＵＡＮＧ ＸＩ Ｕ ＮＩ ＶＥＲＳ Ｉ Ｔ Ｙ ＯＦ Ｓ Ｃ Ｉ Ｅ ＮＣ Ｅ ＡＮ Ｄ Ｉ ＥＣ ＨＮＯＬ ０ＧＹ
一种基于免疫遗传算法的数据挖掘方法

一种基于免疫遗传算法的数据挖掘方法

效率。
１ 基于免疫遗传算法的数据挖掘
１ １ 问题描 述与 分析 ． 数 据挖掘 （ ａ ｉｉｇ Ｄ 是 一个 新 兴 的人 工 ｄ ｔ ｍ ｎｎ ， Ｍ） ａ 智 能与机 器学 习技 术 的应 用 研 究 领域 ， 着广 阔 的 有
消耗 ， 在处 理高维 项 目事 件 中存 在 问 题 ； 但 文献 ［ ］ ６ 中 ＪＨ ｎ提 出 了 Ｆ — ｏ ｔ ．ａ Ｐｇ ｗｈ算法 ， 建 了一种 紧密 的 ｒ 创
⑥
２ ０ Ｓｉ ｅｈ Ｅ ｇｇ ０ ８ ｃ ．Ｔｅ ． ｎｎ ．
一
种基于免疫遗传算法的数据挖掘方法
颜 富 强 吴 ＇ 昊
（ 湖南大学计算机与通信学院 长沙 ４ ０８ ， 南人文科技学院计算机科学技术系 娄底 ４ ７ ０ ） ， １０ ２ 湖 ， １０ ０
摘
要
提 出 了一种基于免疫遗传 算法的数据挖掘算法 ， 该算 法在简单 的遗传算 法基础 上引入免 疫算子解 决 了遗传 算法 中
ｎｔ ａ ｏ ｔｍ， Ａ） ｅ ｃｌ ｆｈ Ｇ 是一 种借鉴 生物 界 自然选择 和 自 ｉ ｇｉ
然遗传 机 制 ， 拟 自然 进 化 过 程 搜 索 最 优 解 的方 模 法． 由于其解 决 问 题 以混 沌 、 机 和 非 线 形 为 典 型 随
研究方 向： 算法及理论 、 数据挖掘。
中 Ｓ Ｂ ｉ 出了分割 算法 ， 算 法 虽 然减 少 了 Ｉ０ ．ｒ ｎ提 该 ／
非 常 低 。文 献 ［ ］ 出 了 遗 传 算 法 （ ｅｅｃＡｇ— １提 Ｇ ｎｔ ｌ ｉ ｏ ｒｈ 简 称 Ｇ 。 ｉｍ， ｔ Ａ） 本 文在应 用遗 传 算 法 进行 数 据 挖 掘 的基 础 上 ， 提 出 了一种改 进 的遗 传算 法 ， 本 思 想 就是 把 免 疫 基 机 制引入 遗 传 算 法 ， 算 法 具 有 很 强 的 随机 性 、 该 鲁 棒性 和隐 含 并 行 性 ， 快 速 、 效 地 进 行 全 局 优 化 能 有 搜索 ， 是处 理 大 规 模 数 据 项 目集 的 有 效 方 法 ， 仅 不 克 服 了遗传算 法 的“ 早熟 ” 现象 ， 大 大 提高 了搜索要遍历整 但 个数据库 ， 计算量大 ， 对大规模 的数据库而言 ， 效率
遗传算法

遗传算法


缺点：该算法只是对每个落点进行单独的考虑，没有反应不同组 合所产生的共同效果，所以只是近似的算法，不能获得最优的结果。 基于单个的优化不能保证在整体情况下能获得最大值。 如果对所有的可能方案进行评价，找到最佳方案。例如在N*N的
栅格空间中确定n个 目标的最佳位置，则所要对比的组合高达
2.遗传算法和GIS结合解决空间优化问题
所谓交叉运算，是指对两个相互配对的染色体依据
交叉概率 Pc 按某种方式相互交换其部分基因，从而形 成两个新的个体。
交叉前： 00000|011100000000|10000 11100|000001111110|00101 交叉后： 00000|000001111110|10000 11100|011100000000|00101 染色体交叉是以一定的概率发生的，这个概率记为Pc
行一点或多点交叉的操作，但这样很容易产生断路或环路。针对路径 的具体需要,这里采用只允许在除首、尾结点之外的第一个重复结点位
置交叉且只进行一点交叉的操作方式。例如:设从起始结点1到目标结
点9的一对父代个体分别是G1和G2,分别如下表示: G1(1,3,5,6,7,8,9)
G2(1,2,4,5,8,9)
是一种有效的解最优化问题的方法。 其基本思想是:首先随机产生种群,对种群中的被选中染色体进行交
叉或变异运算生成后代,根据适值选择部分后代,淘汰部分后代,但种群
大小不变。经过若干代遗传之后,算法收敛于最好的染色体,可能是问题 的最优解或次优解。
适应度函数
遗传算法对一个个体（解）的好坏用适应度函数
值来评价，适应度函数值越大，解的质量越好。适应 度函数是遗传算法进化过程的驱动力，也是进行自然
篇论文。此后Holland教授指导学生完成了多篇有关遗传算法研究的论