论文部分内容阅读
摘要：对生物免疫系统进行模仿构造的人工免疫系统是高性能、自组织、鲁棒性强的人工智能系统。最优化问题广泛存在于工程实践和科学研究之中。在处理最优化问题时,大部分智能优化方法较少关注非基因信息的记忆与运用。因此,本文依据免疫记忆、克隆选择等生物原理,设计记忆-评价-引导机制,侧重非基因信息的采集与使用,对基于记忆-评价-引导机制的免疫优化算法模型进行了构建。在模型的基础上,针对不同类型的优化问题对其设计相应的人工免疫算法。本文主要研究成果与创新点可分为以下四个部分：首先,构建基于记忆-评价-引导机制的免疫优化模型。依托生物免疫原理并结合已有人工免疫算法框架进行建模。新模型尝试将进化与学习相结合,在达尔文进化的基础上,考虑以经验学习以及经验遗传为特征的非达尔文效应在模型中的作用。与传统优化模型相比,新模型采集探索信息并加以利用,在很大程度上减少重复搜索和盲目搜索,提高整体收敛性能。其次,提出一种基于精准信息记忆的单目标免疫优化算法,即基于变异记忆矩阵的克隆选择算法。算法利用变异记忆矩阵来保存进化中有用的变异信息,以引导子代的克隆和变异操作,加强局部搜索能力；运用当代种群的综合信息生成新抗体进入种群,以加强全局搜索能力；对最优抗体进行自学习,以提高算法结果的精度。标准函数仿真表明,该算法适合求解复杂函数优化问题,具有收敛速度快、全局收敛能力强、精度高和鲁棒性强的优点。然后,提出一类基于模糊化信息记忆的单目标免疫优化算法,即基于自适应选择维度的免疫算法和基于等级信息反馈的克隆选择算法。前者对变异尺度分成若干等级,并设置矩阵对父代各个维度上的变异等级、变异结果、变异次数等信息进行记录,’算法利用这些反馈信息来指导后代个体的变异维度选择和变异尺度的生成,提高了算法的整体性能。后者在前者的基础上增加了补充机制,简化了变异环节,在更广的测试函数用例进行了仿真试验,在与其他智能算法的比较中表现出更优的全局收敛性能。此外,针对基于模糊信息记忆与基于精准信息记忆这二种记忆方式,对九个函数在不同维度下进行了对比试验。结果表明,在面对复杂高维的函数测试问题时,基于模糊化信息记忆的免疫优化算法略有优势。最后,提出一种基于非达尔文效应的多目标免疫算法。针对多目标优化问题,为强化非基因信息的传承与利用,利用区间记忆变异矩阵来保存进化中成功变异的区间信息,以引导后续的进化操作,加强局部搜索能力；算法使用Pareto排序来选择非劣解,当非劣解的数量超出预设规模时,利用拥挤距离进行排序来选择相对稀疏的抗体保留；算法设计均匀度增强算子对最后的非劣解集进行删减,通过多次拥挤距离的排序删减最拥挤的抗体,从而提高非劣解集在目标空间上的均匀性。通过多目标测试函数的仿真试验,与经典的多目标进化算法相比,新算法得到的最终解集在覆盖性、收敛性和分布性均有明显改善,并能更好地逼近理论Pareto前沿。图35幅,表25个,参考文献131篇。