搜档网
当前位置:搜档网 › 自适应免疫克隆选择算法的参数识别

自适应免疫克隆选择算法的参数识别

自适应免疫克隆选择算法的参数识别
自适应免疫克隆选择算法的参数识别

免疫算法的克隆选择过程

免疫算法的克隆选择过程 % 二维人工免疫优化算法 % m--抗体规模 % n--每个抗体二进制字符串长度 % mn--从抗体集合里选择n个具有较高亲和度的最佳个体进行克隆操作 % A--抗体集合(m×n),抗体的个数为m,每个抗体用n个二进制编码(代表参数) % T--临时存放克隆群体的集合,克隆规模是抗原亲和度度量的单调递增函数% FM--每代最大适应度值集合 % FMN--每代平均适应度值集合 % AAS--每个克隆的最终下标位置 % BBS--每代最优克隆的下标位置 % Fit--每代适应度值集合 % tnum--迭代代数 % xymin--自变量下限 % xymax--自变量上限 % pMutate--高频变异概率 % cfactor--克隆(复制)因子 % Affinity--亲和度值大小顺序 %% clear all clc tic; m=65; n=22; mn=60; xmin=0; xmax=8; tnum=100; pMutate=0.2; cfactor=0.1; A=InitializeFun(m,n); %生成抗体集合A,抗体数目为m,每个抗体基因长度为n F='X+10*sin(X.*5)+9*cos(X.*4)'; %目标函数 FM=[]; %存放各代最优值的集合 FMN=[]; %存放各代平均值的集合 t=0; %% while t

自适应控制参数差分

自适应控制参数差分 进化:比较研究 数值基准问题 亚内兹·布雷斯特,会员,IEEE,格雷纳苏海涵,的Borko博斯科维奇,马里安Mernik,会员,IEEE, IEEE会员,Viljem Zumer 摘要:我们描述了一个高效的自适应控制技术 相关的参数设置与差分进化(DE)。 对DE算法已被用在许多实际情况下,并具有 表现出良好的收敛性。它只有少数控制 参数,这些参数在整个演化中保持固定 的过程。然而,这是不是一件容易的事,正确地设置控制 在DE的参数。我们提出了一个算法的新版本 对DE算法获得自适应控制参数 设置showgood性能数值基准 的问题。结果表明,我们的算法与自适应 控制参数的设置优于或至少与 ,标准算法和进化算法 文献中得到的解决方案时,考虑质量。 关键词:自适应参数控制,差分进化 (DE),进化优化。 引言 差分进化(DE)是一个简单而强大 全局优化的进化算法(EA)介绍 由价格和Storn [1]。DE算法已逐渐 变得越来越流行,并且已经用于许多实际情况中, 主要是因为它已经表现出良好的收敛性能 是主要容易理解的[2]。 EAS [3]是一个广泛的一类随机优化算法 灵感来自生物学,特别是那些生物 允许种群organizms的适应自己的过程 周边环境:遗传和生存 优胜劣汰。中介公司有一个突出的优势超过其他类型的 数值计算方法。他们只需要客观的信息 函数本身,它可以是明确的或隐含的。 其他配件性能,如可微性或连续性 是没有必要的。因此,他们更灵活处理 广泛的问题。 当使用一个有效地址(EA),它也是必要指定候选 解决方案将被改变,以产生新的解决方案[4]。 EA可能有参数,例如,突变的概率, 比赛的大小选择,或人口规模。 手稿收到2005年6月14日,9月19日修订,2005年和 2005年11月9日。这项工作是由斯洛文尼亚的研究部分支持

对基于克隆选择和小种群粒子群算法的混杂算法的实证研究【精品文档】(完整版)

对基于克隆选择和小种群粒子群算法的混杂算法的实证研究 Pinaki Mitra, 学生会员, IEEE, Ganesh K. Venayagamoorthy, 资深会员, IEEE 摘要—本文提出了一种混合算法,基于对克隆选择算法(CSA)和小种群中的粒子群优化(SPPSO)于对克隆选择算法(CSA)和引入小种群粒子群算法,本文 CS P SO)是观察四家已知的基准函数。提出了一种混合算法。演出这种新算法(22 该SPPSO是一个传统PSO的变种(CPSO),是由本文的第二作者提出,初始粒子选择极小数目,经过几次迭代,最好是保留,而且其余颗粒取而代之的是相同的再生粒子数。另一方面,克隆选择算法属于人工免疫系统(AIS)家庭。它是一种进化算法,其中,在进化过程中的抗体能够识别通过克隆增殖的抗原。通过两种算法的混杂,CPSO优化能力得到大幅提升。用较少的内存需求和CSA的概念提高寻优能力和减少收敛到局部最小的可能性使SPPSO概念有助于找到最优解,试CS P SO表现比CPSO和SPPSO在求解Rosenbrock's,Rastrigin's 验结果表明:22 和Griewank's函数时表现更好。 1.引言 粒子群优化(PSO)已被证明有解决单一和多目标的忧化问题巨大潜力 [1]。这是一个简单,灵活和平衡算法为了进行局部和全局搜索过程。在这里,一组的粒子,称为群,在多维空间移动搜索,以找出全局最优解。随着粒子数的大群增加,到一个全局最优解越来越得到更多的保障。原因是越大的搜索空间的探索需要更高的粒子数。但是,正如粒子数的增加,为了运算内存要求也增加了,随着该算法在现实世界实时数字信号处理器或微控制器等应用这常常是不允许的,同样地,如果在首次的几个迭代,一粒子动作非常接近局部极小和没有一个是接近全全局最优解,那儿有一个可能,整个群是被误导收敛到本地极小。 投稿日期2008年6月15日。这项工作是支持的一部分美国国家科学基金会,美国国家科学基金会就业资助下#ECCS的0348221。 Pinaki Mitra是实时的电源与智能系统实验室,欧洲经委会系,美国密苏里大学和科学技术,罗拉,莫65401,美国(电话:609-384-1302,电子邮件:pm33d@https://www.sodocs.net/doc/de5089237.html,)。 Ganesh K. Venayagamoorthy与实时功率和智能系统实验室,欧洲经委会系,美国密苏里大学和科学技术,罗拉,莫65401,美国(电子邮件:gkumar@https://www.sodocs.net/doc/de5089237.html,)。 这种情况经常发生在有大量局部极小值的功能函数。为了摆脱这两个问题,SPPSO算法提出了在[2]和[3]。该SPPSO概念是开始几次迭代后用少量的粒子数更换所有的粒子除了全球最佳相同数的再生粒子。在这种方法以来,PSO算法的运

自适应混合变异克隆选择算法研究

Computer Engineering and Applications 计算机工程与应用 2018,54(21)1引言基于免疫机制的进化算法因其对复杂问题具有强大的处理能力,已被广泛地应用于智能优化、数据挖掘、模式识别、机器学习、故障诊断、入侵检测等[1-2]诸多领域,deCastro 和Von Zubon 等人在2000年提出了克隆选择算法(Clonal Selection Algorithm ,CSA )[3],它应用于检测器的训练过程,但是其易陷入局部最优,收敛速度慢等缺点也显露无疑。为了解决传统克隆选择算法的不足,更好地兼顾进化过程中全局和局部的搜索,胡江强等在克隆选择过程中采用分级变异的方式[4],该算法根据抗体的亲和度合理地将整个种群分为3个不同的子种群,在每个子种群 中分配不同的搜索任务,并使用不同的变异策略,还在进化过程中实时地改变种群的规模大小、克隆的规模大小和变异参数。为了能够自适应地调整变异的尺度,陶新民等提出了一种定向多尺度变异克隆选择算法[5],该算法采用多尺度高斯变异的机制,在算法的开始阶段利用较大尺度的变异,伴随着适应度值的不断提升,小尺度的变异会随之减低,使得算法在后期阶段能够有效使 用小尺度的变异实现局部的精确搜索。Hong 和Liao 提出了自适应动态克隆选择算法[6],根据亲和度大小自适应调整克隆规模,根据抗体浓度选择变异尺度的大小。自适应混合变异克隆选择算法研究 巫东凯,张凤斌,席亮 WU Dongkai,ZHANG Fengbin,XI Liang 哈尔滨理工大学计算机科学与技术学院,哈尔滨150080 School of Computer Science and Technology,Harbin University of Science and Technology,Harbin 150080,China WU Dongkai,ZHANG Fengbin,XI Liang.Research on clonal selection algorithm of adaptive hybrid https://www.sodocs.net/doc/de5089237.html,puter Engineering and Applications,2018,54(21):78-83. Abstract :Clonal selection algorithm is the core of the detectors ’evolution in immune invasion theory.In traditional im-mune clonal selection algorithm,it is difficult to take into account the global and local search with a single mutation,which leads to the disadvantage of easy to fall into local optimization or slow convergence.By introducing cultural algorithm,this paper realizes the evolution of population space and belief space.This paper proposes clonal selection algorithm of adaptive hybrid mutation,which combines the strong global search ability of cauchy mutation with the strong local search ability of chaos mutation in the mutation.And it utilizes the knowledge of belief space to adaptively determine the time and the proportion of the two kinds of mutations.The algorithm is tested in KDDCUP99data set.The result shows that the algorithm has good convergence and robustness. Key words :immune intrusion detection;cultural algorithm;cauchy mutation;chaos mutation;clonal selection 摘要:克隆选择算法是免疫入侵理论中检测器进化的核心。传统免疫克隆选择算法中通过单一的变异很难同时兼顾全局和局部搜索,从而导致容易陷入局部最优或者收敛速度慢等弊端,通过引入文化算法,实现种群空间和信仰空间双层进化,在变异时将全局搜索能力强的柯西变异和局部搜索能力强的混沌变异相结合,提出了自适应混合变异克隆选择算法,利用信仰空间的知识来自适应地确定两种变异的作用时间和作用比例,通过KDDCUP99数据集进行测试,结果显示该算法有较好的收敛性和鲁棒性。 关键词:免疫入侵检测;文化算法;柯西变异;混沌变异;克隆选择 文献标志码:A 中图分类号:TP393.08doi :10.3778/j.issn.1002-8331.1707-0499 基金项目:国家自然科学基金(No.61172168);黑龙江省教育厅科学技术研究项目(No.12541130)。 作者简介:巫东凯(1992―),男,硕士研究生,研究领域为网络与信息安全,E-mail :122041275@https://www.sodocs.net/doc/de5089237.html, ;张凤斌(1965―),男,博士, 教授,研究领域为网络与信息安全;席亮(1983―),男,博士,副教授,研究领域为网络与信息安全。 收稿日期:2017-08-01修回日期:2017-09-20文章编号:1002-8331(2018)21-0078-06 CNKI 网络出版:2018-03-01,http∶//https://www.sodocs.net/doc/de5089237.html,/kcms/detail/11.2127.TP.20180301.1539.012.html 78万方数据

抗独特型克隆选择算法_张立宁

ISSN 1000-9825, CODEN RUXUEW E-mail: jos@https://www.sodocs.net/doc/de5089237.html, Journal of Software, Vol.20, No.5, May 2009, pp.1269?1281 https://www.sodocs.net/doc/de5089237.html, doi: 10.3724/SP.J.1001.2009.03266 Tel/Fax: +86-10-62562563 ? by Institute of Software, the Chinese Academy of Sciences. All rights reserved. ? 抗独特型克隆选择算法 张立宁1,2+, 公茂果1,2, 焦李成1,2, 马文萍1,2 1(西安电子科技大学智能信息处理研究所,陕西西安 710071) 2(西安电子科技大学智能感知与图像理解教育部重点实验室,陕西西安 710071) Clonal Selection Algorithm Based on Anti-Idiotype ZHANG Li-Ning1,2+, GONG Mao-Guo1,2, JIAO Li-Cheng1,2, MA Wen-Ping1,2 1(Institute of Intelligent Information Processing, Xidian University, Xi’an 710071, China) 2(Key Laboratory of Intelligent Perception and Image Understanding of the Ministry of Education, Xidian University, Xi’an 710071, China) + Corresponding author: E-mail: liningzh@https://www.sodocs.net/doc/de5089237.html, Zhang LN, Gong MG, Jiao LC, Ma WP. Clonal selection algorithm based on anti-idiotype. Journal of Software, 2009,20(5):1269?1281. https://www.sodocs.net/doc/de5089237.html,/1000-9825/3266.htm Abstract: Based on the antibody clonal selection theory of immunology, an artificial immune system algorithm, clonal selection algorithm based on anti-idiotype (AICSA), is proposed to deal with complex multi-modal optimization problems by introducing the anti-idiotype. This algorithm evolves and improves the antibody population through clonal proliferation, anti-idiotype mutation, anti-idiotype recombination and clonal selection operation, which can perform global search and local search in many directions rather than one direction around the identical antibody simultaneously. Theoretical analysis proves that AICSA can converge to the global optimum. By introducing the anti-idiotype, AICSA can make the most of the structure information of antibodies, accelerate the convergence, and obtain the global optimization quickly. In experiments, AICSA is tested on four different types of functions and compared with the clonal selection algorithm and other optimization methods. Theoretical analysis and experimental results indicate that AICSA achieves a good performance, and is also an effective and robust technique for optimization. Key words: clonal selection; anti-idiotype; evolutionary algorithm; artificial immune system; numerical optimization 摘要: 基于免疫学中的抗体克隆选择学说,通过引入抗独特型结构,提出了一种用于求解复杂多峰函数优化问 题人工免疫系统算法——抗独特型克隆选择算法.该算法通过克隆增殖操作、抗独特型变异操作、抗独特型重组操 ? Supported by the National Natural Science Foundation of China under Grant No.60703107 (国家自然科学基金); the National High-Tech Research and Development Plan of China under Grant No.2009AA12Z210 (国家高技术研究发展计划(863)); the National Basic Research Program of China under Grant No.2006CB705700 (国家重点基础研究发展计划(973)); the Program for New Century Excellent Talents in University under Grant No.NCET-08-0811 (新世纪优秀人才支持计划); the Program for Cheung Kong Scholars and Innovative Research Team in University of China under Grant No.IRT0645 (长江学者和创新团队发展计划) Received 2007-09-04; Accepted 2008-01-29

自适应遗传算法

自适应遗传算法 一.主要流程: 1. 参数的初始化。设定遗传种群规模N ,阵元数M ,信源数P 等。 2. 编码。采用十进制编码方法。 3. 初始种群的产生。随机数生成。 4. 适应度函数的评价。选取 ()() R P ΘA tr f = (1) 其中, H 1H )(A A A A P A -= (2) P A 是A 的投影矩阵,A 是阵列流型。 ∑==L i L 1 H 1XX R (3) R 是数据协方差矩阵的最大似然估计。 5. 选择。比例选择方法与精英选择方法结合使用,在当代种群中选择优良个体遗传到下一代。既保证了种群的多样性,也使最优个体得以保留。 1)比例选择方法(赌轮盘法):每个个体被选中的概率与它的适应度函数值大小成正比,即适应度函数越高的个体被选中的概率也就越高。 2)精英选择方法:让种群中适应度函数值最高的个体不进行配对交叉,直接复制到下一代中。但是容易陷入局部最优解,全局搜索能力差。 6. 交叉。按照概率P c 对种群中个体两两配对,进行交叉操作。本文中选取算数交叉的方式。 算数交叉:是由两个个体的线性组合来产生新的个体,假设第t 代的两个个体为A (t)、B (t),则算数交叉后产生的新个体是 ()()()()t t t A B A αα-+=+11 (4) ()()()()t t t B A B αα-+=+11 (5) 其中,α选取(0,1)之间的随机数。 交叉概率:使交叉概率随着遗传代数的增长,逐渐减小,目的是进化前期注重交叉运算,全局搜索能力强。 2.02cos *4.0+?? ? ??*=πK T P c (6) 其中,T 是进化代数,K 是总进化次数。 7. 变异。按照概率P m 对种群个体进行变异。本文中选取均匀变异的方式。 均匀变异:如某基因座上的基因值为X k ,其取值范围为[Umin,Umax],对其进行变异后的值为 )U -r(U +U =X min max min k (7)

基于克隆选择机制的函数优化免疫算法

人工免疫系统是基于生物免疫系统特性而发展的新兴智能系统。利用免疫系统的克隆选择机制,提出一种用于函数优化的改进免疫算法。其主要特点是采用克隆和自适应变异等操作,提高收敛速度和种群的多样性。仿真程序表明,该算法能以较快速度完成给定范围的搜索和全局优化任务。 在工程实际中,很多问题都可转化为函数优化问题,而对于高维、非凸、且有多个局部极值点的函数优化问题,传统的基于梯度的算法通常不能求得理想解。免疫系统作为一种分布式自学习系统,能自适应地维持群体多样性及具有自我调节功能,导致基于免疫机制的算法具有整体、局部搜索能力强的特点,使得这类算法在函数优化、组合优化、模式识别、数据挖掘及机器学习等方面得到了有效应用。 1 免疫算法原理 免疫算法的灵感来自生物获得性免疫的克隆选择原理。根据该原理,在生物免疫系统中,一旦病原体侵入肌体就被分解为抗原片段,B淋巴细胞能够为产生相应的抗体与抗原结合,同时活化、增殖和分化,产生浆细胞,通过中和、溶解和调理等作用,最终使抗原从体内清除。另有一些B细胞变成了长期存活的记忆细胞,它通过血液、淋巴和组织液循环,为下一次快速、高效的消除相同或者类似抗原引起的感染奠定了基础。 免疫算法采用高变异克隆的单性繁殖搜索方式,避免了遗传算法中的交叉操作引起的模式干扰,同时具有未被激发的细胞消亡及记忆细胞的产生等过程又保证了抗体的多样性。 2 算法描述 克隆选择算法模拟生物免疫系统的克隆选择原理,一般将待优化的目标函数及其约束条件视为抗原,其算法步骤如下: (1)初始化:随机产生N个二进制编码的抗体对应问题的可能解。 (2)评价和选择1:将N个抗体分解成由m和r个抗体组成的两部分Am,Ar,分别表示进入记忆集的抗体和剩下的部分,其中进入记忆集的都是亲和度较高的抗体。 (3)克隆:在亲和度最高的抗体中选择k个进行克隆,克隆的数量与其亲和度成正比。 (4)变异:模拟生物克隆选择中的超变异过程,对克隆后的抗体执行变异操作,变异按某一变异概率以一定规模随机进行。 (5)评价和选择2:重新计算变异后的抗体的亲和度,若克隆变异后的抗体中亲和度最高的抗体比父代抗体的亲和度还要高,就用该抗体替换原抗体,形成薪的记忆集。 (6)消亡:模拟生物克隆选择中5%的B细胞自然消亡的过程,在Ar中选择d个亲和度最低的抗体重新初始化,以保证抗体的多样性。

人工免疫系统及其算法综述

基于异构网络环境的人工免疫系统及其算法研究综述 摘要:人工免疫作为一种新型的研究领域,有着广泛的应用范围,人工免疫算法的研究也已成为人工智能研究领域的一个重要内容,它突出地体现了现代科学发展的多层次、多学科和多领域的相互渗透、相互交叉和相互促进的特点。因此,将人工免疫系统的原理应用在计算机领域有着重要的理论意义和实际应用价值。本文详细介绍了几种常见的免疫算法机理,并指出了人工免疫系统的研究方向。 关键词:人工免疫系统,人工免疫算法 1、人工免疫系统介绍 1.1 人工免疫系统 20世纪70年代,Jerne[1,2]首先提出了人工免疫系统的网络假说,并以此开创了独特型网络理论。独特型网络理论为人工免疫系统以后的应用和研究提供了理论指导,并发展成为人工免疫的基础理论之一。 Perelson[3]在独特型网络理论的基础上进一步给出了免疫网络的数学框架,从而加快了人工免疫系统在计算机科学方面的发展。1986年,Farmer【4】基于免疫网络的假说,构造了一个免疫系统的动态模型,并提出了一些学习算法的构造思想。此后Forrest 又提出了阴性选择算法,他的工作对于人工免疫系统的发展尤其是在信息安全领域应 用的发展具有十分重要意义。随后的研究者不断从生物免疫系统中吸取精髓,使之广泛用于优化、数据分析、机器学习、聚类分析、模式识别、故障诊断、机器人控制、自适应控制领域、计算机及网络安全领域等各个应用领域。人工免疫系统主要关注的是用计算和数学模型对免疫学进行模拟,更好地了解免疫系统。人工免疫包括:免疫系统,遗传系统和神经系统。 按照目前人们普遍接受的观点,基于免疫系统仿生机理开发的入工免疫系统[9-12]的理论研究主要在集中在人工免疫网络模型 和人工免疫算法两个方面。针对人工免疫网络模型的研究多集中在以Jerne的独特性免疫网络为基础的不同模型仿真实验上。而针对人工免疫算法的研究主要是在已有系统 模型的基础上,制定一些目的性较强的计算方法或实施策略,主要包括免疫遗传算法、克隆选择算法、阴性选择算法和免疫学习算法等。 1.2 人工免疫系统处理特性 从信息处理的角度上分析,人工免疫系统具有如下特点: (1)多样性:免疫系统抗体库的多样性特征,能及时对不同类型的入侵抗原进行有效的保证和消除。 (2)容错性:免疫系统在分类和响应中突发的一些比较小的信息处理错误不会使整个信息处理结果造成严重影响。 (3)分布自律性:免疫系统没有集中控制系统,它是由许多局部的并且相互作用的基本信息单元联合起来达到对全局的保护。 (4)动态稳定性:免疫系统要消除各种外来的不断变化的入侵抗原,并保持整个系统的稳定。 (5)自适应鲁棒性:免疫系统具有非常强的自我学习能力,并且通过此学习使其成为能够随环境不断变化而不断改变和完善的一个自适应型的鲁棒进化系统。 2、免疫算法[6-8]介绍 人工免疫系统是借鉴免疫系统机理特点和功能的智能系统,具有广泛的应用和理论基础。在此着重阐述免疫算法的研究和AIS的应用研究。 2.1 免疫遗传算法 为了使遗传算法在个体多样性和群体收敛性之间取得平衡,并克服遗传算法的缺

人工免疫算法介绍

Immune(免疫)是从拉丁文Immunise衍生而来的。很早以前,人们就注意到传染病患者痊愈后,对该病有不同程度的免疫力。因此,在相当长时期内,免疫在微生物学和病毒学上是指免除瘟疫;换言之,是指对传染因子的再次感染有抵抗力,这是机体在初次感染后对该传染因子产生了免疫应答的结果。在医学上,免疫是指机体接触抗原性异物的一种生理反应。免疫系统有能力产生很多种抗体,免疫系统的控制机制可完成这一调节功能,即只产生所需数量的抗体。根据网络理论,如果任一细胞系中的细胞由于抗原的刺激而被激活并开始繁殖,其它能识别这种基因类型的细胞系也被激活并开始繁殖。这样,如果这一过程连续地进行,就构成了对自身的免疫,并且通过所有淋巴细胞的作用实现了调节机制。 基本免疫算法 基本免疫算法基于生物免疫系统基本机制,模仿了人体的免疫系统。基本免疫算法从体细胞理论和网络理论得到启发,实现了类似于生物免疫系统的抗原识别、细胞分化、记忆和自我调节的功能。如果将免疫算法与求解优化问题的一般搜索方法相比较,那么抗原、抗体、抗原和抗体之间的亲和性分别对应于优化问题的目标函数、优化解、解与目标函数的匹配程度。 通俗地说,抗原就是入侵人体的病原体,而人体内的免疫系统会相应地产生免疫应答,产生抗体。而其中B细胞和T细胞的重要作用: B 细胞的主要功能是产生抗体,且每个B细胞只产生一种抗体.免疫系统主要依靠抗体来对入侵抗原进行攻击以保护有机体.T细胞的主要功能是调节其它细胞的活动或直接对抗原实施攻击.成熟的B细胞产生于骨髓中,成熟的T细胞产生于胸腺之中。B细胞和T 细胞成熟之后进行克隆增殖、分化并表达功能.两种淋巴细胞共同作用并相互影响和控制对方功能,形成了机体内部高度规律的反馈型免疫网络. 对于不同的系统,你所要关注的量不同的话,人工免疫的应用也就有不同的意义. 比如说,我要应用到通过估计饭堂里吃饭的人数,来寻优哪个时间点是最好的吃饭点(人数较少,饭又比较多等条件),这是你可以先定义一个目标函数minf (x)+约束条件来作为抗原,而争对抗原的变量计算,可以产生很多抗体(就是许多种可以选择的情况),再通过判断抗原和抗体的亲和力(亲和力高表示这个抗体是比较好的),和抗体之间的排斥力(相似度,相似度高的两个可以排除一个,使抗体多样化),再同通过交叉变异等操作来更新抗体,一直循环到满足一定条件就可以退出循环。 免疫的机理是具有特定性的,最可以说明问题的就是种牛痘只能防止天花,他不可能产生免疫防止肝炎。并且多目标优化多是互相矛盾的,没有又想让马儿跑还想让马儿不吃草的好事情。解决优化最简单的是图论中著名的柯尼斯堡七桥问题和欧拉示性一笔画方法。再就是优选法的0.618黄金分割和QC的质量控制方法。免疫算法是基于生物免疫学抗体克隆的选择学说,而提出的一种新人工免疫系统算法-免疫克隆选择算法ICSA(Immune Clonal Selection Algorithm),ICSA算法具有自组选择学习、全息容错记忆、辩证克隆仿真和协同免疫优化的启发式人工智能。由于该方法收敛速度快,求解精度高,稳定性能好,并有效克服了早熟和骗的问题,成为新兴的实用智能算法。

相关主题