一种基于混沌的自适应免疫进化算法

A New Immune Algorthm of Chaos Genetic
Algorithm
作者： 王强[1] 战忠丽[2] 潘莹[1]
作者机构： [1]东北电力大学,吉林131200 [2]辽宁农业职业技术学院,辽宁营口115009出版物刊名： 辽宁农业职业技术学院学报
页码： 53-55页
主题词： 遗传算法 混沌 免疫算法
摘要：将免疫算法、混沌与遗传算法相结合，提出了一种新颖的混沌免疫遗传算法，该方法利用混沌运动的遍历性、随机性来产生初始种群，加快搜索的速度；利用免疫原理的浓度计算及调整加入新的混沌序列来补充种群，增加种群的多样性避免陷入局部最优；交叉变异结束后在最优解附近再用混沌进行局部寻优提高解的精度。

实验结果表明，所提出的算法能寻找到更好的优化结果，并且在搜索速度上明显优于遗传和免疫遗传算法。

一类自适应免疫进化算法
左兴权;李士勇
【期刊名称】《控制与决策》
【年(卷),期】2004(19)3
【摘要】基于免疫系统中的进化机理,提出一种自适应免疫进化算法.通过定义扩展半径和突变半径两个新算法参数构造了较小和较大两个邻域,分别利用这两个邻域进行局部和全局搜索,从而形成两层领域搜索机制,以保证算法的全局和局部搜索能力.定义了群体的多样度,并以此自适应调节算法参数以提高算法性能.给出了算法的全局收敛性证明.仿真结果表明,该算法收敛速度快,具有良好的全局寻优和局部求精能力.
【总页数】5页(P252-256)
【关键词】人工免疫系统;免疫算法;遗传算法;优化计算
【作者】左兴权;李士勇
【作者单位】哈尔滨工业大学控制科学与工程系
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于自适应免疫进化算法的聚焦爬虫搜索策略 [J], 刘丽杰;许楠;李盼池
2.基于自适应网格方法的免疫多目标进化算法 [J], 吕文鹏;许峰
3.求解一类双层规划的自适应变异动态差分进化算法 [J], 吴亮红;徐睿;左词立;曾
照福;段伟涛
4.基于自适应网格方法的免疫多目标进化算法 [J], 吕文鹏;许峰;
5.多进化策略自适应免疫多目标进化算法 [J], 康锰; 许峰
因版权原因，仅展示原文概要，查看原文内容请购买。

混沌优化算法及其在组合优化问题中的应用混沌优化算法是一种基于复杂非线性系统的自适应优化方法，它使用混沌动力学来模拟复杂系统的行为，以解决复杂优化问题。

混沌优化算法具有自我组织、分布式、可扩展和高效性等特点，在复杂优化问题中得到广泛应用。

混沌优化算法是根据混沌理论的原理开发出的一种新型的进化计算算法，它将混沌理论中的多种元素如混沌映射、混沌动力学、时变环境、信息传输等应用于优化问题的求解中。

它具有自适应性强、非线性、分布式、可扩展など特点，能够同时处理多个变量和多个约束。

混沌优化算法在组合优化问题中得到了广泛应用，其优势在于它可以找到给定问题的最优解，而不受约束条件的影响。

组合优化是一种复杂的优化问题，因为它涉及到许多变量的搜索，其中一些变量之间存在着相互关系，因此需要有一种特殊的优化方法来处理这种情况。

混沌优化算法正是针对这种非线性、非凸、非可微、非稳定的组合优化问题而设计的。

混沌优化算法是一种自适应优化技术，它能够在给定的变量空间中快速搜索出最优解。

它主要利用混沌系统动力学的结构特性，建立一种模拟现实环境的模型，然后将该模型用于优化问题的求解。

在混沌优化算法的运行过程中，通过迭代计算，不断改变变量的值，最终找到最优解。

混沌优化算法能够有效处理多变量、非凸的优化问题，而且具有自适应特性、可扩展性、可并行性等优点，因此在组合优化问题中得到了广泛应用。

例如，它可以用于求解资源分配、交通流量模拟、工程优化等组合优化问题。

混沌优化算法作为一种新兴的优化算法，是一种有效的复杂优化算法，可以用于处理复杂的组合优化问题，具有自适应性、可并行性、可扩展性等特点，因此被广泛应用于工程优化、资源分配、交通流量模拟等复杂的组合优化问题。

自适应混沌粒子群算法
ACPSO算法的核心思想是通过模拟粒子在解空间中的搜索和迭代更新，以找到最优解。

与传统的粒子群算法不同的是，ACPSO引入了混沌序列来调整算法的参数，使其具有更好的全局搜索能力和收敛速度。

在ACPSO算法中，粒子的位置和速度会根据当前的最优解和全局最优解进行更新，同时混沌序列会影响粒子的搜索方向和速度，从而增加了算法的多样性和随机性。

这种自适应的调整可以使ACPSO算法更好地适应不同问题的特性，提高了算法的鲁棒性和收敛性能。

另外，ACPSO算法还可以动态调整自身的参数，如学习因子和惯性权重，以适应问题的变化和复杂度。

这种自适应性使ACPSO算法在处理动态优化问题时表现出色。

总的来说，自适应混沌粒子群算法是一种高效的优化算法，它结合了粒子群算法和混沌优化的优点，通过自适应调整参数和引入混沌序列，提高了算法的全局搜索能力和收敛速度，适用于多种优化问题的求解。

混沌免疫优化组合算法
王孙安;郭子龙
【期刊名称】《控制与决策》
【年(卷),期】2006(21)2
【摘要】利用混沌迭代的遍历性和内在随机性,提出一种混沌免疫优化组合算法.该算法综合了免疫进化算法和混沌优化算法各自的空间搜索优势,将混沌变量加载于免疫算法的变量群体,利用混沌搜索的特点对记忆库群体进行微小扰动,并逐步调整扰动幅度.实验结果表明,该算法能明显改善免疫进化算法的收敛性能,搜索效率也得到了显著提高.
【总页数】5页(P205-209)
【关键词】免疫进化算法;混沌搜索;混沌免疫算法
【作者】王孙安;郭子龙
【作者单位】西安交通大学机械工程学院
【正文语种】中文
【中图分类】TP301
【相关文献】
1.人工免疫算法在水电机组优化组合中的应用 [J], 李茂军
2.基于免疫算法引导混沌轨道与混沌同步 [J], 张淑艳;赵丹华
3.基于免疫算法的火电厂机组优化组合 [J], 李鹏飞;都洪基;郭亮;李仁东
4.基于免疫算法引导混沌轨道与混沌同步 [J], 张淑艳;赵丹华
5.三种混沌免疫优化组合算法性能之比较研究 [J], 郭子龙;王孙安
因版权原因，仅展示原文概要，查看原文内容请购买。

一种新的自适应惯性权重混沌PSO算法李龙澍;张效见【摘要】Particle Swarm Optimization(PSO)is easy to fall into the local optimal value.According to this disadvantage, a New Chaos Particle Swarm Optimization based on Adaptive Inertia Weight(CPSO-NAIW)is proposed.Firstly,the new inertia weight adaptive method is used to make a balance between the global and local search of the particles.It can reduce the probability of particles trap in local optimal.Then,when the algorithm falls into local optimal value,the strategy of chaos optimization is introduced to adjust the position of the population's extreme value so that the particles can search the new neighorhood and path.The probability of getting rid of the local extremum is increaseed.Finally,the experimental results show that the CPSO-NAIW algorithm can avoid the local optimal and improve the performance of the algorithm effectively.%针对粒子群算法(Particle Swarm Optimization,PSO)易陷入局部极值的缺陷,提出了一种新的自适应惯性权重混沌PSO算法(a New Chaos Particle Swarm Optimization based on Adaptive Inertia Weight,CPSO-NAIW).首先采用新的惯性权重自适应方法,很好地平衡粒子的搜索行为,减少算法陷入局部极值的概率,然后在算法陷入局部极值时,引入混沌优化策略,对群体极值位置进行调整,以使粒子搜索新的邻域和路径,增加算法摆脱局部极值的可能.最后,实验结果表明,CPSO-NAIW算法能有效避免陷入局部极值,提高算法性能.【期刊名称】《计算机工程与应用》【年(卷),期】2018(054)009【总页数】6页(P139-144)【关键词】粒子群;自适应惯性权重;混沌;局部极值【作者】李龙澍;张效见【作者单位】安徽大学计算智能与信号处理教育部重点实验室,合肥230039;安徽大学计算机科学与技术学院,合肥230601;安徽大学计算机科学与技术学院,合肥230601【正文语种】中文【中图分类】TP301.61 引言PSO算法是一种寻优算法，于1995年由Eberhart和Kennedy首次提出[1-2]。

基于小生境混沌免疫算法的PID参数优化鲍克;胡旭东;向忠【摘要】An niche chaos immune algorithm is inspired by the Artificial Immune Algorithm.Through introducing niche mechanism and chaotic local search into the immune algorithm,the present algorithm enhances the ability of keep population diversity and local search.Furthermore,by analyzing the relationship of niche mechanism and solution space,a niche distance selection formula is proposed.The algorithm is applied to the optimization method of PID parameter,and compared to GA/AIA.The simulation results show that the performance of PID controller based on niche immune algorithm is superior to that of PID controller based on GA/AIA.%在人工免疫算法的基础上,提出了一种小生境混沌免疫算法.通过在免疫算法中引入小生境机制和混沌细搜索,增强了算法保持种群多样性的能力和局部搜索能力；此外,通过对小生境机制与解空间关系的分析,提出了一种小生境距离选取依据.应用于PID参数的优化,并与遗传算法(Genetic Algorithm,GA)、人工免疫算法(Artificial Immune Algorithm,AIA)进行比较.仿真结果表明,设计的PID控制器控制效果优于GA和AIA.【期刊名称】《电气自动化》【年(卷),期】2013(035)004【总页数】3页(P1-3)【关键词】免疫算法;小生境;混沌;PID控制;参数优化【作者】鲍克;胡旭东;向忠【作者单位】浙江理工大学机械与自动控制学院,浙江杭州310018;浙江理工大学机械与自动控制学院,浙江杭州310018;浙江理工大学机械与自动控制学院,浙江杭州310018【正文语种】中文【中图分类】TP273.20 引言PID控制器具有结构简单、鲁棒性好、可靠性高等优点，被广泛应用于各种工业对象和过程[1－2]。

文章编号：2096-1472(2018)-06-25-04DOI:10.19644/ki.issn2096-1472.2018.06.008软件工程 SOFTWARE ENGINEERING 第21卷第6期2018年6月V ol.21 No.6Jun. 2018基于自适应网格方法的免疫多目标进化算法吕文鹏，许 峰(安徽理工大学数学与大数据学院，安徽 淮南 232001)摘 要：针对免疫多目标进化算法分布性欠佳的缺陷，提出一种基于自适应网格方法的免疫多目标进化算法。

基本思想是：对抗体群进行免疫克隆、免疫基因和克隆选择操作后，利用自适应网格方法提高抗体群的多样性。

仿真实验结果和统计指标显示，改进算法与常规免疫多目标进化算法相比较，在解的分布性方面有了较大程度的改进。

关键词：多目标进化；人工免疫；自适应网格方法；分布性中图分类号：TP312 文献标识码：AAn Immune Multi-Objective Evolutionary AlgorithmBased on the Adaptive Grid MethodLV Wenpeng,XU Feng(College of Mathematics and Big Data ,Anhui University of Science and Technology ,Huainan 232001,China )Abstract:Aiming at the defect of poor distribution in immune multi-objective evolutionary algorithm (IMOEA),an improved IMOEA based on the adaptive grid method is proposed.The basic idea is that after the immune clone,immune gene and clonal selection operation of the antagonism group,the adaptive grid method is adopted to improve the diversity of the antibody population.The results of the simulation experiment and the statistical index show that the improved algorithm has a great improvement in the distribution of the solution compared with the conventional immune multi-objective evolutionary algorithm.Keywords:multi-objective evolution;artificial immune;adaptive grid method;distribution1 引言(Introduction)20世纪70年代，Jerne最早建立了免疫网络的数学模型。

基于混沌免疫算法的深度信念网络参数优化孙美艳; 田玉玲【期刊名称】《《计算机工程与设计》》【年(卷),期】2019(040)009【总页数】6页(P2643-2648)【关键词】深度信念网络; 参数优化; 改进的混沌免疫算法; 函数拟合; 滚动轴承故障诊断【作者】孙美艳; 田玉玲【作者单位】太原理工大学信息与计算机学院山西晋中030600【正文语种】中文【中图分类】TP1830 引言传统的深度信念网络(deep belief network，DBN)参数训练方法存在一定的缺陷，在一定程度上影响了其特征提取能力和收敛速度。

首先，网络参数的随机初始化使其浅层网络在学习训练过程易陷入局部搜索，影响了DBN的特征提取能力。

其次，DBN在提取高维数据的底层特征时，需将高维数据直接作为网络的输入，导致网络参数大幅度增加，从而使网络训练的收敛速度变慢。

为此，很多学者做了相关的研究工作，并取得了一定的研究成果。

Haidong Shao等[1]使用粒子群优化算法确定DBN的最优结构，包括每个隐含层神经元数量、学习率和动量，具有更高的准确率和鲁棒性，但粒子群优化算法参数设置不当时，也会对收敛速度造成一定的影响。

王培良等[2]使用粒子群优化算法对DBN的网络连接权值和偏置进行优化，所使用的粒子群算法在整个参数寻优过程中解决了过早收敛于局部最优值的问题，具有较好的优化性能。

M Elleuch等[3]使用dropout技术训练DBN结构，在DBN的训练过程中每次随机去掉一部分隐含层节点，避免了训练过程中可能出现的过拟合现象，但是随机去掉节点的过程中可能会造成一定的误差。

人工免疫算法具有搜索能力强、寻优速度快等特点[4]，被广泛应用于优化神经网络,以提高网络的收敛速度和泛化性能[5-7]。

本文提出一种利用改进的混沌免疫算法进行DBN参数优化的方法。

1 相关理论1.1 深度信念网络DBN的优势在于具有强大的特征提取能力，而其特征提取能力取决于网络参数。