解决函数优化问题的免疫算法

1854539 2008-10-24 | rar | 555 | 次下载 | 2积分

资料介绍

介绍了免疫算法的基本概念，以及人工免疫系统中的克隆选择原理，基于该原理，结合遗传策略中的高斯变异算子，提出一种免疫算法来解决函数优化问题。给出了算法的描述，数值实验中选择了几个函数进行优化，并将实验数据结果与传统的遗传算法进行了比较。数据实验结果表明，该免疫算法能够寻找到更优的优化结果，并且在收敛速度上
明显优于传统的遗传算法。
关键词：　免疫算法；　克隆选择；　函数优化
许多实际工程问题可以抽象为相应的函数优化问题，目前已经有很多启发式算法用于解决函数优化问题。近些年来，人们逐渐开始把注意力转向模拟生物模型来解决实际问题：尤其是免疫系统，诞生了一个新的研究领域———人工免疫系统（AIS）［1］，提出了人工免疫算法［2］。传统遗传算法是在一定发生概率的条件
下，随机地、无指导地迭代搜索，并未意识到问题本身的特征信息或者关于问题的先验知识对求解问题的促进作用。而在人工免疫算法中，只有那些识别抗原的细胞才分裂扩增；细胞是否被选择取决于它的亲和度。由克隆选择原理启发而得出的免疫算法，能够很好地解决函数优化问题。
免疫算法
1 ．1 　基本概念
Burnet 首先提出了克隆选择学说［3］，免疫细胞是随机形成的多样性的细胞克隆。当外来病原入侵器官时，能够识别抗原的免疫细胞大量增生，它们中的有些细胞成为有效细胞，另外一些成为记忆细胞。有效细胞分泌大量抗体，能与抗原结合，杀死病原体。记忆细胞在生物体内继续生存，直到再次遇到病原，然后分化。在细胞成熟的过程中，面临着选择压力，亲和度越高的细胞越容易分化成记忆细胞，在未来起保护作用.