论文部分内容阅读
在人工免疫系统研究中,许多方法都借用了克隆选择的思想,或在实现过程中嵌入克隆选择机制。而克隆选择原理的应用研究尚不完善,许多免疫性质只是隐喻使用,并没有真正在人工系统中得到实现。本课题完善了人工免疫系统中的克隆选择机制及算法,研究其在函数优化、PID控制、免疫调度、聚类问题中的应用,论文完成的主要工作如下:基于免疫网络理论用于解释抗体克隆过程中的浓度调节现象,提出在种群进化初期和末期应该按照不同的进化策略进行抗体克隆的算法—免疫网络克隆优化算法(INCOA),它可以增大种群进化末期抗体多样性,避免算法早熟,并采用非线性方程组和多峰值函数对算法进行测试,测试结果证实了算法的有效性。提出简单克隆选择算法(SCSA)用于控制系统PID控制参数优化,通过倒立摆、一阶延迟函数模型、六阶函数模型的MATLAB仿真实验,以及倒立摆实时控制实验证明:算法实现简单,计算复杂性小;对于目标函数解的搜索结果稳定,与基本克隆选择算法(BCSA)相比算法收敛速度明显提高;SCSA用于解决PID控制参数优化问题,整体性能优于遗传算法和BCSA。将小生境理论用于自适应克隆启发算法的设计,提出自适应克隆启发算法(SACHA)和小生境自适应克隆启发算法(NSACHA)用于复杂的作业调度问题。动态模仿免疫细胞之间的自适应和协同进化行为,表现为不同种群之间、不同抗体之间对抗体克隆数量的竞争,改善了问题解(抗体)对问题空间的覆盖率,提高算法全局搜索能力。NSACHA能同时求得全局最优值和局部最优值,能够对得到的结果进行次优性的定量评估,在实际调度问题中具有一定的现实意义。最后,针对聚类问题提出抗体记忆克隆聚类算法(AMCCA),利用克隆选择、克隆记忆等免疫机制对抗原数据产生记忆细胞,抑制较差抗体,从而达到将数据压缩的目的。实验证明在搜索空间进行随机搜索的AMCCA比传统算法能发现更好的解,与其它聚类算法相比性能接近,AMCCA可以用于聚类。本文分析研究结果表明基于生物克隆选择原理及机制启发的免疫克隆选择算法,能够获得等同或优于传统方法和其它进化方法的性能,具有一定的实际应用价值。