基于記憶—評(píng)價(jià)—引導(dǎo)機(jī)制的免疫優(yōu)化算法研究.pdf

1、對(duì)生物免疫系統(tǒng)進(jìn)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(qiáng)的人工智能系統(tǒng)。最優(yōu)化問題廣泛存在于工程實(shí)踐和科學(xué)研究之中。在處理最優(yōu)化問題時(shí)，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(yùn)用。因此，本文依據(jù)免疫記憶、克隆選擇等生物原理，設(shè)計(jì)記憶-評(píng)價(jià)-引導(dǎo)機(jī)制，側(cè)重非基因信息的采集與使用，對(duì)基于記憶-評(píng)價(jià)-引導(dǎo)機(jī)制的免疫優(yōu)化算法模型進(jìn)行了構(gòu)建。在模型的基礎(chǔ)上，針對(duì)不同類型的優(yōu)化問題對(duì)其設(shè)計(jì)相應(yīng)的人工免疫算法。
　　本文主要研究

2、成果與創(chuàng)新點(diǎn)可分為以下四個(gè)部分:
　　首先，構(gòu)建基于記憶-評(píng)價(jià)-引導(dǎo)機(jī)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(jìn)行建模。新模型嘗試將進(jìn)化與學(xué)習(xí)相結(jié)合，在達(dá)爾文進(jìn)化的基礎(chǔ)上，考慮以經(jīng)驗(yàn)學(xué)習(xí)以及經(jīng)驗(yàn)遺傳為特征的非達(dá)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(jìn)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(qiáng)局部搜索能力;運(yùn)用當(dāng)代種群的綜合信息生成新抗體進(jìn)入種群，以加強(qiáng)全局搜索能力;對(duì)最優(yōu)抗體進(jìn)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(qiáng)、精度高和魯棒性強(qiáng)的優(yōu)點(diǎn)。
　　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(jí)信息反

4、饋的克隆選擇算法。前者對(duì)變異尺度分成若干等級(jí)，并設(shè)置矩陣對(duì)父代各個(gè)維度上的變異等級(jí)、變異結(jié)果、變異次數(shù)等信息進(jìn)行記錄，算法利用這些反饋信息來指導(dǎo)后代個(gè)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(bǔ)充機(jī)制，簡(jiǎn)化了變異環(huán)節(jié)，在更廣的測(cè)試函數(shù)用例進(jìn)行了仿真試驗(yàn)，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(duì)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(duì)九個(gè)函數(shù)在不同維度下進(jìn)行

5、了對(duì)比試驗(yàn)。結(jié)果表明，在面對(duì)復(fù)雜高維的函數(shù)測(cè)試問題時(shí)，基于模糊化信息記憶的免疫優(yōu)化算法略有優(yōu)勢(shì)。
　　最后，提出一種基于非達(dá)爾文效應(yīng)的多目標(biāo)免疫算法。針對(duì)多目標(biāo)優(yōu)化問題，為強(qiáng)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(jìn)化中成功變異的區(qū)間信息，以引導(dǎo)后續(xù)的進(jìn)化操作，加強(qiáng)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(shí)，利用擁擠距離進(jìn)行排序來選擇相對(duì)稀疏的抗體保留;算法設(shè)計(jì)均勻度增強(qiáng)算子對(duì)最后