论文部分内容阅读
函数优化问题(Function Optimization Problems,FOPs)是科学和工程应用领域经常会遇到的一类数学规划问题,因而对其研究具有十分重要的理论和实际意义。免疫算法(Immume Alogithms)是基于近年来新兴的计算智能——人工免疫系统(Artificial ImmuneSystems)平台而发展起来的一类仿生算法。进化算法(EvolutionaryAlgorithms,EAs)是一类模拟自然进化机制而发展起来的随机搜索算法。近年来免疫进化算法已被广泛地应用于函数优化问题,并提出了大量的函数优化方法。本文首先介绍了免疫算法的生物背景、相关理论及其应用。接着描述了进化计算的起源、发展、三个主要分支(即遗传算法、进化规划和进化策略)及其应用领域,然后提出了两种不同的免疫进化算法。本文主要工作如下:1)提出了一种新的免疫进化算法,该算法针对克隆选择算法在求解高维函数优化问题时,易陷入局部最优以及收敛速度较慢的弱点,提出了基于生物免疫系统内部学习优化机制以及进化算法的免疫进化算法。它包括:正交交叉、单形交叉、克隆、多极变异、选择。新算法将进化计算的思想融入到克隆选择中,提出了一种新的变异算子,在保证种群多样性的同时提高了算法的全局寻优能力。理论分析证明了算法的收敛性,并将算法应用于不同的测试函数进行仿真实验,结果表明该算法是有效的。2)基于免疫算法与差异进化算法,提出了一种新的基于局部搜索机制的免疫进化算法。该算法首先初始化种群;接着采用单形交叉算子来对当前群体进行交叉操作;为了提高算法的局部搜索能力,提高其收敛速度,提出了一种新的差异进化算法,然后结合新的差异进化策略设计了局部搜索算子,最后借鉴免疫算法的更新策略更新种群,理论分析证明了算法的收敛性,并通过不同的测试函数验证了算法的可行性和有效性。