基于免疫理论与思维进化的进化计算研究

论文摘要

本文将免疫思想和思维进化计算相结合,提出了一种新的混合进化模型,在此模型的基础上提出了一种新的基于多种群的自适应免疫进化算法（Immune Algorithm Based on Multi-population, IABM）。 基于多种群的IABM算法主要用于解决优化问题。它定义了选择、记忆、克隆、超变异、抑制五种基本算子,对记忆算子分为全局记忆细胞和局部记忆区,记忆算子充分利用祖辈的优良基因信息指导后代生成,加快了收敛速度;对超变异算子采取自适应策略,使个体据自身的优良程度和所处的历史进化代数来确定搜索范围,提高变异的有效性;在全局范围内,利用抑制算子来确保群体的多样性。通过测试函数进行仿真实验,结果表明该算法具有高效的收敛速度,并能收敛到全局最优点。与MGA（Multi-population Genetic Algorithm）和MEC（Mind Evolution Computation）进行比较分析,IABM收敛速度更快,收敛迭代次数更少。 本文的研究工作主要在以下几个方面: 1、论文将多种群的概念引入免疫进化算法。这有助于提高算法中种群的多样性,另一方面,也提高了进化运行中对群体的动态控制。 2、论文将思维进化算法和免疫算法二者有机结合。思维进化算法可以加快局部收敛速度;另一方面,免疫算法的抑制算子可以更有效的保证群体进化中多样性,从而使IABM算法表现出更好的全局收敛特性。 3、在IABM算法中采用自适应策略。例如,通过自适应策略的采用灵活地控制变异的范围和变异的概率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 研究背景和研究现状
• 1.3 论文的主要工作
• 1.4 论文结构
• 第二章 计算机免疫学与思维进化算法研究动态
• 2.1 生物免疫学与计算机免疫学
• 2.2 计算机免疫学与免疫算法
• 2.2.1 计算机免疫学基本原理
• 2.2.2 免疫算法的发展
• 2.3 思维进化算法的基本框架和特点
• 2.3.1 基本框架
• 2.3.2 思维进化算法的特点
• 第三章 基于免疫思想与思维进化算法的一种进化计算模型
• 3.1 免疫算法分类
• 3.1.1 否定选择算法
• 3.1.2 肯定选择算法
• 3.1.3 克隆选择算法
• 3.2 思维进化算法的研究与应用
• 3.2.1 思维进化算法设计
• 3.2.2 思维进化算法应用于 TSP问题
• 3.3 免疫算法与思维进化算法的特点分析
• 3.4 基于免疫思想与思维进化算法的进化模型
• 3.4.1 模型设计
• 3.4.2 模型所采取的策略
• 第四章 一种基于多种群的免疫算法（IABM）
• 4.1 IABM的主要免疫机理
• 4.2 IABM的各种算子
• 4.2.1 选择算子
• 4.2.2 记忆算子
• 4.2.3 克隆算子
• 4.2.4 超变异算子
• 4.2.5 抑制算子
• 4.3 收敛曲线
• 4.4 算法编码的部分框架
• 第五章 仿真试验与进一步的工作
• 5.1 算法的实现工具和测试对象
• 5.1.1 Visual Stuido．NET及 C#语言
• 5.1.2 算法的运行示例
• 5.1.3 算法的测试对象——多峰值函数
• 5.2 算法的仿真实验与总结
• 5.2.1 一维变量的多峰值函数测试与分析
• 5.2.2 二维变量的多峰值函数测试与分析
• 5.3 总结与进一步的工作
• 致谢
• 参考文献
• 附录 （攻读硕士学位期间发表论文目录）