基于多Agent系统的人工免疫网络及其应用研究

论文摘要

生物免疫是一个并行、高度进化、分布网络、自适应和自组织的系统,具有特殊的学习、识别、记忆等能力,蕴含很强的优化信息处理机理,能在线适应变动环境,且有整体、局部搜索能力强的特点。近年来,人工免疫算法在解决多模态、多目标等复杂优化问题显示了它的优越性。然而,由于免疫机理复杂,免疫现象的描述还较困难,因此,不论在模型建立、算法设计等方面还存在不完善之处。随着工程领域对多模态、高维及参数时变动态优化复杂问题求解需求的增长,Agent及多Agent系统被认为是求解复杂问题的高层指导方法。将多Agent与免疫技术结合,可以利用多Agent的现有研究成果,为新颖的人工免疫网络构建提供有益的思路,使其更能适应求解复杂优化问题。鉴此,本文借鉴已有的免疫网络算法、克隆选择算法及生物免疫机理基础上,结合多Agent的自治、自组织及竞争、协作机制,从反映生物免疫系统免疫响应理论出发,建立了人工免疫网络多Agent的寻优框架,应用个体间的克隆选择、竞争协作及自学习操作,更好地平衡全局与局部的搜索,通过对算法展开系统性的理论研究、大量性能测试、比较,探讨了免疫网络多Agent多模态全局优化、高维非线性系统优化及动态优化的策略,并分别应用在芳烃分馏装置建模及其资源优化,以及温室优化控制中。论文包括以下四个方面内容：（1）多Agent系统的人工免疫网络研究生物体进化系统可以认为是一个典型的复杂适应系统（Adaptive Complex System, ACS）,同样基于生物启发的寻优搜索模型也符合复杂适应系统模型,根据Holland提出的复杂适应系统概念,建立了典型遗传算法（GA）、人工免疫中典型的克隆选择算法（ICS）及人工免疫网络算法（Opt-aiNet）的复杂适应系统模型；以此为基础,研究了以上三种算法的进化机制,即遗传算法、克隆选择算法及人工免疫网络中各操作算子对模式生存及多样性的影响,从而揭开了各操作算子在寻优搜索中的作用,通过一典型的多峰函数实例的验证,表明克隆选择与人工免疫网络具有较好的多样性保持能力,对多峰函数寻优有独特的优势,特别是人工免疫网络能较好地协调全局与局部搜索的平衡,认为是一种很有潜力的搜索算法；根据多Agent的典型结构及人工免疫网络的核心思想提出了适用于环境变化的BDI-反应型免疫网络寻优框架AINM-MOD,主要包括环境、BDI-推理机制和反应型人工免疫网络搜索机制,并定义了环境下个体的竞争力和自信度,AINM-MOD采用了网格环境下的邻域克隆选择、邻域竞争、邻域协作等操作算子,同时能对自信度进行自适应调整；对AINM-MOD的主要搜索算子的进化机制进行了分析、验证。（2）基于多Agent的人工免疫网络多模态优化策略与应用研究针对多模态寻优容易早熟问题,首先提出了能协调全局和局部寻优的动态克隆算法（DCAS）, DC AS能自动调整搜索空间及操作参数,采用了多尺度变异策略,为多模态函数寻优提供了有益的思路；为了将人工免疫网络多Agent系统应用于多模态寻优问题,比较了不同的克隆策略,提出了基于Sigmoid函数的克隆策略,该策略能反映抗体间及抗体与抗原间的抑制与激励水平,减少了寻优搜索过程中的盲目性；对变异策略,在传统柯西变异和高斯变异基础上,提出了基于高斯变异和精英学习的Q-变异和适用于能提高全局搜索能力的μ-变异策略；以此为基础,提出了用于多模态函数寻优的人工免疫网络多Agent算法Ma-aiNet,并从理论上证明了算法的收敛性；典型测试函数验证表明Ma-aiNet在寻优精度与稳定性方面均优于目前同类算法；针对以能耗最小为优化目标的分馏系统资源分配问题,本文通过分析建立了分馏系统的能耗模型,以分馏系统热负荷最小从而能获得各分馏装置资源配比的优化模型,并将SQP、GA、ICS、Opt-aiNet、DCAS和Ma-aiNet算法用于分馏系统资源优化中,实际验证表明与其它算法相比Ma-aiNet在最优解搜索和离线性能方面取得了较好的效果。（3）基于多Agent的人工免疫网络高维非线性系统优化算法与应用研究针对高维系统寻优中出现的搜索空间变大,变量间耦合度增强,容易使进化算法陷入局部极值的难题,提出了将双重Agent网络结构、双重变异策略、动态协调搜索策略及网格自学习操作用于高维函数优化的人工免疫网络多Agent算法Maopt-aiNet,测试函数表明Maopt-aiNet对高维系统搜索能力较强；在分馏装置建模应用中,提出了以表征各精馏塔分离效率的塔板温度测量值与模型计算值的偏差为最小的目标函数,针对机理模型评估耗时的问题,研究采用了分馏对象机理模型、神经网络与机理模型混合的两种Agent评估方案确定各塔板Murphree效率,实践表明,在保证分馏塔模型精度下,采用后者的搜索时间大为减少,被认为是减少评估时间的一种较有前景的搜索方案。（4）基于多Agent的人工免疫网络动态优化算法与应用研究为使进化算法能更好地适应环境变化,在搜索中需要始终保持种群多样性。为此提出了两种动态寻优策略,基于梯度信息的免疫进化寻优策略（AIDE）及人工免疫网络多Agent的动态寻优策略（Dmaopt-aiNet）,前者为基于免疫生发中心的动态响应机理,采用了多种群、多尺度变异及梯度信息的操作策略,在典型测试函数验证中体现了算法的优越性；后者在Ma-aiNet基础上增加了环境检测因子,典型测试函数的仿真结果表明,Dmaopt-aiNet能较准确定位变化环境下的最优解位置,对动态环境下的整体进化能力较强,群体的局部搜索和多样性保持较好,最后将AIDE和Dmaopt-aiNet用于典型的动态实例温室控制系统（GCS:Greenhouse Control System）中,并将结果与免疫克隆选择（ICS）和人工免疫网络（Opt-aiNet）作了对比分析。

论文目录

• 摘要
• Abstract
• 第1章 前言
• 1.1 研究目的及意义
• 1.2 国内外研究状况和进展
• 1.2.1 人工免疫网络模型的研究
• 1.2.2 基于群体的人工免疫算法研究
• 1.2.3 人工免疫多Agent系统及应用研究
• 1.3 论文的主要内容和安排
• 第2章 复杂适应系统及进化机制
• 2.1 复杂适应系统与生物进化
• 2.2 数学描述
• 2.2.1 复杂适应系统模型
• 2.2.2 遗传算法模型
• 2.2.3 人工免疫系统及其模型
• 2.3 算法的进化机制分析
• 2.3.1 模式概念与定义
• 2.3.2 遗传算法的进化机制
• 2.3.3 免疫克隆选择算法的进化机制
• 2.3.4 人工免疫网络的进化机制
• 2.4 寻优性能评价指标
• 2.5 实例验证分析
• 2.6 本章小结
• 第3章 基于多Agent的人工免疫网络系统
• 3.1 多Agent系统
• 3.1.1 Agent的概念
• 3.1.2 Agent的结构描述
• 3.1.3 多Agent系统及其问题求解
• 3.2 基于多Agent的人工免疫网络系统
• 3.2.1 BDI-反应型免疫网络结构
• 3.2.2 BDI-反应型免疫网络系统
• 3.3 AINM-MOD的进化机制分析
• 3.3.1 邻域克隆选择算子分析
• 3.3.2 邻域竞争算子分析
• 3.3.3 邻域协作算子分析
• 3.4 本章小结
• 第4章 基于多Agent的人工免疫网络多模态全局优化策略及应用
• 4.1 引言
• 4.2 动态克隆选择多模态优化算法
• 4.2.1 寻优策略
• 4.2.2 动态克隆选择算法（DCAS）
• 4.3 基于多Agent的人工免疫网络多模态优化策略
• 4.3.1 克隆策略
• 4.3.2 变异策略
• 4.4 基于多Agent的人工免疫网络多模态全局优化算法
• 4.4.1 算法步骤
• 4.4.2 收敛性证明
• 4.4.3 算法复杂度分析
• 4.5 实例验证分析
• 4.5.1 克隆规模对Ma-aiNet寻优性能的影响
• 4.5.2 变异算子对Ma-aiNet寻优性能的影响
• 4.5.3 Ma-aiNet寻优性能分析
• 4.5.4 Ma-aiNet随控制参数变化的寻优性能分析
• 4.5.5 Ma-aiNet随维数变化的寻优性能分析
• 4.6 在芳烃分馏系统资源分配中的应用
• 4.6.1 背景介绍
• +A资源优化模型'>4.6.2 芳烃分馏装置C8⁺A资源优化模型
• 4.6.3 分馏系统的能耗模型分析
• 4.6.4 分馏系统的资源优化
• 4.7 本章小结
• 第5章 基于多Agent人工免疫网络高维非线性系统优化算法及应用
• 5.1 引言
• 5.2 多Agent的人工免疫网络高维函数寻优策略
• 5.2.1 双重Agent网络结构
• 5.2.2 双重变异策略
• 5.2.3 动态协调搜索策略
• 5.2.4 网格自学习策略
• 5.3 多Agent的人工免疫网络高维寻优算法
• 5.3.1 算法步骤
• 5.3.2 算法收敛性分析
• 5.4 实例验证分析
• 5.4.1 测试函数
• 5.4.2 Maopt-aiNet寻优性能及复杂度分析
• 5.4.3 算法控制参数的选取
• 5.5 在分馏装置建模中的应用
• 5.6 本章小结
• 第6章 基于多Agent的人工免疫网络动态优化算法及应用
• 6.1 引言
• 6.2 动态环境寻优策略
• 6.2.1 基于梯度信息的免疫进化寻优策略
• 6.2.2 基于多Agent的免疫网络动态优化策略
• 6.2.3 基于多Agent的免疫网络动态优化算法
• 6.3 算法收敛性及复杂度分析
• 6.3.1 算法收敛性分析
• 6.3.2 算法复杂度分析
• 6.4 仿真实验与分析
• 6.4.1 移动峰动态试验
• 6.4.2 Angeline测试试验
• 6.5 动态函数优化的性能分析
• 6.5.1 搜索算子对动态环境寻优的影响
• 6.5.2 算法控制参数的选取
• 6.5.3 系统维数与评估次数的关系
• 6.6 在温室优化控制中的应用
• 6.6.1 温室优化控制问题
• 6.6.2 温室优化控制性能比较
• 6.7 本章小结
• 第7章 结束语
• 7.1 本文的主要工作总结
• 7.2 进一步的讨论与展望
• 参考文献
• 致谢
• 攻读博士期间发表的学术论文和研究成果