基于免疫的智能优化算法理论及应用研究

论文摘要

优化问题大量存在于科学研究和工程应用中的各个领域,因而开展最优化方法的研究具有重要的理论意义和实用价值。传统的确定性优化方法存在诸多的局限性,难以解决当今社会日益增多的复杂问题,而以生物智能或自然现象为基础的智能算法具有简单通用、鲁棒性好、适于并行处理等特点,因此成为解决复杂优化问题的有力工具。生物免疫系统是一个复杂的、高度并行的、分布式的、自适应信息处理系统,它能够识别和排除侵入机体的抗原性异物,并且具有学习、记忆和自适应调节能力。由于基于免疫的算法能有效地克服其他智能算法的早熟现象、种群多样性不足等问题,因此借鉴和利用免疫机制,开发新的智能工具和建立混合智能算法已成为人工智能领域研究的一个热点。本文基于免疫系统的机理,结合其他智能方法进行算法的改进研究,并建立多智能方法相互融合的混合优化技术为复杂的工程问题提供新的实用技术。论文的主要研究成果如下:1.基本遗传算法在进化后期收敛速度较慢、容易早熟收敛。为了解决这些问题,借鉴免疫机理,提出一种基于免疫学习机制的遗传算法。算法不仅保持了优良抗体在进化中的主导地位,而且充分发掘强成长性抗体的寻优潜力,在优良记忆库的作用下,算法对全局最优的搜索快速且有效。仿真结果表明该算法有较强的全局收敛能力和较快的收敛速度。利用该算法优化径向基网络整定的PID控制器,实现了三自由度飞行器模型系统的稳定控制,实验表明了这种方法的控制品质优于线性二次型调节器控制,具有较好的适应能力、鲁棒性和较快的响应速度。2.应用小生境技术,并借鉴免疫机理构造特异性免疫策略,提出一种基于特异性免疫策略的遗传算法。函数仿真结果表明,该方法能有效地改善种群多样性,提高算法的全局收敛能力,且算法收敛成功的概率和平均收敛代数明显要好于同类免疫算法。以二级倒立摆为被控对象,将该算法应用于Takagi-Sugeno模糊神经网络控制器的优化,实物控制结果表明该方法具有良好的动稳态性能、抗干扰能力。3.针对进化规划的早熟收敛问题,本文借鉴免疫系统的应答机制,提出了一种基于双变异算子的免疫规划算法。该算法的核心在于采用全局柯西和局部高斯变异算子,通过保持种群的多样性同时执行记忆、弱小保护策略,保证了算法有效性。理论分析与仿真实验表明,基于双变异算子的免疫规划算法的收敛速度,以及解的精度明显优越于传统的进化规划。4.针对多峰优化问题,提出一种基于双变异算子的免疫网络算法。该算法借鉴免疫系统的克隆选择和免疫网络理论,采用双变异算子以提高算法的全局和局部搜索能力;利用动态网络抑制策略保持种群的多样性,自适应地调节抗体群的规模。仿真结果表明该算法能有效地改善种群的多样性,较好地实现全局优化和局部优化的有机结合,具有更强的多峰函数优化能力。5.针对粒子群算法易早熟、维持多样性差等缺点,借鉴粒子群优化的特性和免疫网络理论,提出一种免疫粒子群网络算法。该算法利用粒子群的信息共享和记忆功能,通过加强粒子对自身经历的认知,提高算法的局部搜索能力;采用动态网络抑制策略,保持种群的多样性,自适应地调节粒子群的规模。仿真结果表明,实现的混合算法不仅减少了收敛所需的迭代次数,而且有效地提高了算法的寻优能力。针对无线传感器网络节点位置优化问题,提出基于免疫粒子群算法的网络覆盖优化机制。通过免疫粒子群算法搜索不同状态下无线传感器节点的最优位置,使无线传感器网络能够实现最大化网络覆盖面积。实验表明这种机制能快速有效地实现无线传感器网络移动节点位置优化。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 论文研究的背景与意义
• 1.2 智能优化算法
• 1.2.1 进化算法
• 1.2.2 群智能算法
• 1.2.3 其它优化算法
• 1.3 人工免疫算法研究综述
• 1.3.1 生物免疫系统概述
• 1.3.2 人工免疫系统的研究现状
• 1.3.3 基于免疫原理的智能算法
• 1.3.4 人工免疫算法理论研究
• 1.3.5 人工免疫算法应用研究
• 1.4 本文研究的主要内容和结构
• 2 基于免疫学习机制的遗传算法及其应用
• 2.1 引言
• 2.2 标准遗传算法
• 2.2.1 标准遗传算法的构成要素
• 2.2.2 遗传算法的优点及存在的问题
• 2.3 免疫系统的仿生机理
• 2.4 基于免疫学习机制的遗传算法
• 2.4.1 免疫算子
• 2.4.2 强化学习策略
• 2.4.3 弱小保护策略
• 2.4.4 算法的步骤
• 2.4.5 算法的收敛性
• 2.4.6 标准函数的仿真实验
• 2.5 三自由度飞行器模型系统
• 2.5.1 三自由度飞行器模型的硬件系统
• 2.5.2 三自由度飞行器模型系统的数学模型
• 2.5.3 系统的内在特性分析
• 2.6 三自由度飞行器模型系统的稳态控制
• 2.6.1 基于RBF网络整定的PID控制器
• 2.6.2 基于ILGA的RBF网络参数优化
• 2.6.3 实时控制分析
• 2.7 本章小结
• 3 基于特异性免疫策略的遗传算法及其应用
• 3.1 引言
• 3.2 小生境技术
• 3.3 基于特异性免疫策略的遗传算法
• 3.3.1 算法的基本思想
• 3.3.2 清除技术
• 3.3.3 自适应遗传算子
• 3.3.4 特异性免疫策略
• 3.3.5 算法的步骤
• 3.3.6 算法的收敛性
• 3.4 标准函数的仿真试验
• 3.5 二级倒立摆系统
• 3.5.1 倒立摆控制技术研究状况
• 3.5.2 倒立摆系统的组成
• 3.5.3 二级倒立摆系统建模
• 3.5.4 二级倒立摆系统可控性分析
• 3.6 二级倒立摆系统的控制
• 3.6.1 模糊神经网络控制器结构
• 3.6.2 FNN参数的优化
• 3.6.3 实时控制分析
• 3.7 本章小结
• 4 基于双变异算子的免疫规划
• 4.1 引言
• 4.2 进化规划
• 4.2.1 进化规划的组成与特点
• 4.2.2 进化规划存在的主要问题
• 4.3 基于双变异算子的免疫规划
• 4.3.1 算法的基本思想
• 4.3.2 双变异算子
• 4.3.3 基于浓度的q竞争策略
• 4.3.4 记忆保护策略
• 4.3.5 弱小保护策略
• 4.3.6 算法的步骤
• 4.4 算法的理论分析
• 4.4.1 算法的性能分析
• 4.4.2 算法的收敛性
• 4.4.3 计算复杂度分析
• 4.5 标准函数的仿真试验
• 4.6 主要参数对算法的影响
• 4.7 本章小结
• 5 基于双变异算子的免疫网络算法
• 5.1 引言
• 5.2 多峰优化
• 5.2.1 多峰优化问题
• 5.2.2 多峰优化算法的研究
• 5.3 生物免疫系统的两个重要学说
• 5.3.1 克隆选择学说
• 5.3.2 免疫网络调节学说
• 5.4 基于双变异算子的免疫网络算法
• 5.4.1 算法的基本思想
• 5.4.2 双变异算子
• 5.4.3 克隆抑制
• 5.4.4 网络的动态平衡
• 5.4.5 算法的步骤
• 5.5 算法的理论分析
• 5.5.1 算法的收敛性
• 5.5.2 计算复杂度分析
• 5.6 仿真实验
• 5.6.1 典型多峰函数优化
• 5.6.2 结果分析
• 5.7 主要参数对算法的影响
• 5.8 本章小结
• 6 免疫粒子群算法及应用
• 6.1 引言
• 6.2 粒子群算法
• 6.2.1 PSO基本原理
• 6.2.2 算法流程
• 6.2.3 两种标准粒子群优化算法
• 6.2.4 PSO的局限性
• 6.3 用于多峰函数优化的免疫粒子群网络算法
• 6.3.1 算法的基本思想
• 6.3.2 改进的粒子群优化
• 6.3.3 粒子群的网络抑制
• 6.3.4 网络的动态平衡
• 6.3.5 算法的步骤
• 6.4 仿真实验
• 6.4.1 典型多峰函数优化
• 6.4.2 结果分析
• 6.5 无线传感器的覆盖问题
• 6.5.1 覆盖涉及的基本概念
• 6.5.2 简单覆盖模型
• 6.6 无线传感器网络的覆盖控制优化策略
• 6.6.1 平面覆盖模型的描述
• 6.6.2 基于免疫粒子群算法的覆盖优化机制
• 6.6.3 仿真实验
• 6.7 小结
• 7 结束语
• 7.1 本文主要研究成果
• 7.2 需进一步研究的问题
• 致谢
• 攻读博士学位期间论文发表
• 参考文献