克隆选择算法(辅导)是一种特殊的类的免疫算法(IA),受到人类免疫系统的克隆选择原理。提高算法执行得更好的能力,这个CSA已经修改通过实现两个新概念叫做固定变异因子和梯子突变因素。固定在整个过程中保持一个常数因子突变因素,而梯子突变因素变化自适应基于抗体的亲和力。本文比较了传统CLONALG,两个提议对几个标准基准方法和测试功能。实验实验结果表明,该方法梯子mutation-based克隆选择算法(LMCSA)和固定突变克隆选择算法(FMCSA)显著优于现有CLONALG方法解决方案的质量而言,收敛速度和解决方案的稳定性。
人工免疫系统(AIS)是bioinspired方法解决实际复杂和困难的优化问题。AIS是大大加强了人类的免疫系统。在人类中,免疫系统负责保护病原体。德卡斯特罗和冯Zuben提出了克隆选择算法(CSA)基于克隆选择原理和亲和力成熟过程(
在本文中,我们提出一个改进版本的免疫系统模型基于克隆选择理论。两个算法LMCSA(梯子突变因素克隆选择算法)和FMCSA(固定突变因素克隆选择算法)提出了通过引入两个新的免疫突变因素和应用于单模和多峰函数优化。结果说明,该算法的性能基本CLONALG。
本文的其余部分组织如下。部分
CLONALG以人群为基础的metaheuristic算法的搜索能力依赖于其变异算子。在计划的工作重点是给这些变异算子在开发更好的算法。克隆选择算法(CSA)繁殖与高亲和力和个人选择成熟系进行改善。这一战略表明,这个算法执行贪婪的搜索,单个成员将局部优化,新来者产生更广泛的搜索空间的探索。这个特点使得CSA非常适合求解优化任务。免疫优化算法的基本步骤和工作(CLONALG)描述如下。
最初,抗体池(AB)创建<我nline-formula>
对于每个抗体(<我nline-formula>
克隆在AIS的关键因素之一。这是生产的过程相似的人口基因完全相同的个体。最好的选择<我nline-formula>
克隆的人口<我nline-formula>
然后,计算突变克隆的亲和力。better-affinity变异刺激而变得更糟时抑制抗体发生亲和突变。高亲和力值为下一代而Lower-affinity抗体是删除。
灵感来自于脊椎动物免疫系统的机制称为抗体克制,抑制的过程,补充在CLONALG中定义。这一步保持多样性和有助于找到新的解决方案,对应于新的搜索区域通过消除一些最差的抗体的人口比例和替换随机生成的新抗体。这有助于避免被困当地最优解的算法。在抗体的克制
抗体抑制伪代码的冗余删除下面解释更好的清晰度。
对于每个抗体亲和力计算,然后基于亲和力值降序排序。让抗体向量流行<我nline-formula>
集<我nline-formula>
重复一遍:
检查:AB (<我nline-formula>
如果AB (<我nline-formula>
删除AB (<我nline-formula>
其他的
如果
直到<我nline-formula>
如果抗体的数量<<我nline-formula>
添加新AB抗体。
重复步骤
算法经过指定数量的迭代。
记忆细胞的最优解是没有改善<我t一个lic> 。我t一个lic>
在基本CLONALG,最初最好和最差的抗体识别;克隆的过程应用于最好的和最差的抗体,抗体克隆率高是最好的和最差的抗体(
本文介绍了两种新颖的方法来解决这个问题通过适当地培养最好的抗体。图中给出了这些方法的基本流程图
基本流程图FMCSA LMCSA。
像在CLONALG,最好的抗体是根据克隆克隆率(<我nline-formula>
例如,对于5初始抗体在执行步骤
在固定的变异系数方法,突变因素保持不变。当最严重的抗体的亲和力区别和最好的抗体高,那么最严重的抗体尽可能按照最好的去做任何其他进化策略。但是,当他们的亲和力差别非常少,所有最坏的和最好的抗体是相同的周边地区的搜索空间,或者,换句话说,最坏的抗体已经接近最好的抗体的区域
下面的伪代码中包含的步骤
如果
在哪里<我nline-formula>
阶梯原理图的变异系数的概念。最糟糕的AB代表最严重的抗体。最好的AB是到目前为止最好的抗体来实现。0代表一种抗体。
一套12个标准和著名的基准函数(
基准测试函数的维度<我nline-formula>
| 测试函数 | 域范围 | |
|---|---|---|
|
|
|
(−100 - 100)<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−真空度)<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−100 - 100)<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−100 - 100)<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−30-30]<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−100 - 100)<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−1.28 - -1.28)<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−5.12 - -5.12)<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−32-32]<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−500 - 500)<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−600 - 600)<吃晚饭>D吃晚饭> |
|
|
||
|
|
|
(−真空度)<吃晚饭>D吃晚饭> |
前面描述的方法是使用MATLAB脚本语言编码,和所有实验发生在1.8 GHz Intel Core 2 Duo处理器、2 GB内存,在Windows XP操作系统。每个算法评估为1000次迭代终止准则。
使用以下模拟条件。
初始种群或抗体池大小,<我nline-formula>
克隆乘数的范围<我nline-formula>
使用的突变类型:高斯。
高斯变异概率<我nline-formula>
的抑制百分比<我nline-formula>
亲和力阈值<我nline-formula>
迭代次数= 1000。
固定的变异系数<我nline-formula>
维数为每个基准函数= 10。
在本节中,12个基准测试函数的结果给出了显示的优点提出FMCSA LMCSA。实验结果的均值亲和力值,最好的成本价值,总结了标准偏差表
统计均值和标准差的十二个基准测试函数的解决方案,列在表中
| 功能 | 表达式 | 基本CLONALG |
FMCSA |
LMCSA |
|---|---|---|---|---|
| 球 |
|
|
|
|
|
|
||||
| Schwefel 2.22的问题 |
|
|
|
|
|
|
||||
| Schwefel 1.2的问题 |
|
|
|
|
|
|
||||
| 平板电脑 |
|
|
|
|
|
|
||||
| 广义。 |
|
|
|
|
|
|
||||
| 一步 |
|
|
|
|
|
|
||||
| 四次吵了 |
|
|
|
|
|
|
||||
| 广义Rastrigin |
|
|
|
|
|
|
||||
| 《护理 |
|
|
|
|
|
|
||||
| 2.26广义Schwefel的问题 |
|
|
|
|
|
|
||||
| Griewank |
|
|
|
|
|
|
||||
| Zakharov |
|
|
|
|
在球面函数收敛性能(<我nline-formula>
收敛性能Schwefel的问题2.22函数(<我nline-formula>
收敛性能Schwefel的问题1.2函数(<我nline-formula>
收敛性能对平板电脑功能(<我nline-formula>
收敛性能。海涅的函数(<我nline-formula>
收敛性能阶跃函数(<我nline-formula>
测试这些功能的主要目的<我nline-formula>
收敛性能的噪声函数(<我nline-formula>
收敛性能Rastrigin的函数(<我nline-formula>
收敛表演《护理的功能(<我nline-formula>
在广义Schwefel收敛性能的问题2
收敛性能Griewank的函数(<我nline-formula>
收敛性能Zakharov的函数(<我nline-formula>
对于这些类型的功能,有更多的机会成为容易被困在某个局部最小值。功能<我nline-formula>
在本文中,我们提出了两种新颖的方法,固定突变克隆选择算法(FMCSA)和梯子突变克隆选择算法(LMCSA)。我们的目标是增加搜索区域增加一些数量的抗体进行突变,以进一步提高基本CLONALG的性能。在解决一套基准函数,比CLONALG FMCSA性能更好,LMCSA优于FMCSA和CLONALG。仿真结果在标准基准问题表明,提出的方法是有用的技术来解决复杂的优化问题。