人工免疫优化算法及其应用研究

优化问题大量存在于科学研究和工程应用中的各个领域,进行最优化方法的研究具有重要的理论意义和实用价值。传统优化方法存在着种种不足,在当今大规模生产中的应用受到限制。多学科的交叉研究为解决优化问题提供了新的思路,以生物智能或自然现象为基础的新型智能优化算法在研究与应用中表现出优异的性能,现代智能算法也成为人工智能领域一个新的研究热点。 人工免疫优化算法是模仿生物免疫系统功能的一种智能方法,提供了类似生物免疫系统的噪声忍耐、无教师学习、自组织、记忆等进化学习机理,为解决复杂的分布式问题提供了新的方案,相比其它智能优化算法具有寻优成功率高、个体多样性好的特点。 本文在分析人工免疫优化算法原理与特点并对比人工免疫优化算法与其它智能优化算法的基础上,总结人工免疫优化算法存在的不足,进行算法改进研究以增强算法的寻优搜索能力,并将改进算法应用于数字系统设计和故障诊断中的两个实际问题,验证算法的有效性和实用价值。 本文的主要研究内容和成果如下: 1.分析基本人工免疫优化算法变异算子搜索能力的不足,将多变异率的改进二进制编码变异策略引入人工免疫算法,并利用混沌模型实现算法个体编码中高有效位部分和低有效位部分的自适应设定,提出了基于混沌序列的多变异率人工免疫算法。仿真结果验证了改进算法具有更好的全局搜索性能和更快的收敛速度。 2.研究基本人工免疫优化算法的局部搜索机制,针对其缺乏信息交换、个体社会性不好的缺点,为基本人工免疫优化算法的局部搜索引入信息交换的手段,并提出了算法参数的动态更新机制和自适应更新机制,实现了参数自适应更新的引导型人工免疫算法。仿真结果表明,采用参数更新机制的引导型人工免疫算法不仅有效地加快了算法的收敛速度,而且可以使算法以较大概率在预先指定的迭代次数范围内收敛,更具实用价值。 3.在研究离散微粒群算法原理的基础上,讨论应用离散微粒群算法作为人工免疫优化算法局部搜索算子的实现方法,提出了离散微粒群算法与人工免疫优化算法综合应用的混合优化算法。仿真结果表明,实现的混合算法不仅大大减少了算法收敛所需的迭代次数,而且可以有效地提高算法的寻优