论文部分内容阅读
在大量的科学研究和工程应用实践中，人们发现遗传算法(Genetic Algorithm，GA)存在一些问题，主要有早熟收敛、容易陷入局部最优、局部搜索能力较弱、收敛速度慢等。早熟收敛、容易陷入局部最优主要与遗传算法的选择压力过大有关，通过适应度尺度变换(fitness scaling)调节选择压力是解决这个问题的主要方法，但适应度尺度变换是依赖于问题的，通用性稍差。 人工免疫算法(Artificial Immune Algorithm，AIA)与GA的本质不同是，AIA的选择算子模拟了自然免疫系统的抗体繁殖策略，引入了抗体浓度调节机制，即对适应值高且浓度低的抗体促进其繁殖，对浓度高的抗体进行抑制，从而有效的调节了选择压力，保持了解群体的多样性，克服了遗传算法容易出现早熟收敛和陷入局部最优的缺点。抗体浓度调节机制是调节选择压力的一种较为理想的方法。但AIA的缺点也很突出，这就是它的运行速度和收敛速度都较慢。 本论文的全部工作在于尝试寻找解决GA、AIA上述问题的新的方法。以下列出的是本论文具有创新性的主要工作，类似工作在国内外文献中尚未见有报道： 1、为了改善GA的局部搜索性能和收敛速度，提出了一种精英交叉策略(King crossover strategy)，并把精英交叉策略与精英保留遗传算法(Elitist Genetic Algorithm，EGA)结合，得到了一种基于精英交叉的精英保留遗传算法(King crossover-based Elitist Genetic Algorithm，KEGA)，称为精英交叉遗传算法。证明了KEGA的全局收敛性。对测试函数F6函数(Schafferl function)进行的优化研究表明，KEGA在在线、离线和最优解搜索性能各方面均远优于EGA，KEGA收敛到满意解的平均收敛代数只有EGA的九分之一；在对测试函数F8函数(Rastrigin’s function)进行优化时，KEGA的收敛性能也比EGA好很多。仿真实验结果表明KEGA实现简单，与EGA相比，其增加的计算开销可以忽略，但性能改善十分明显； 2、针对基于信息熵的免疫算法(AIA)运行速度慢的缺点，提出了二种能够加快AIA运行速度的新的抗体浓度计算方法，得到两种新的免疫算法，即加速的人工免疫算法(Accelerated Artificial Immune Algorithm，AAIA)和加速的人工免疫算法-2(Accelerated Artificial Immune Algorithm-2，AAIA-2)，对测试函数F15(needle in haystack：type Ⅰ)、F8函数的仿真研究表明，这两种算法的运行速度都是AIA的8.5倍以上； 3、针对AIA的浓度定义存在的缺陷，提出了一种新的基于抗体间欧氏距离和适应度的新的抗体浓度定义，并依据该定义构造了一种基于欧氏距离的人工免疫