导读:本文包含了免疫进化算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,免疫,目标,自适应,算子,网格,人工免疫。
免疫进化算法论文文献综述
康锰,许峰[1]（2019）在《多进化策略自适应免疫多目标进化算法》一文中研究指出为了在基于克隆选择的免疫多目标进化算法中提高种群的多样性,提出了一种基于目标函数变化率的多进化策略自适应免疫多目标进化算法,以采用克隆选择的免疫多目标进化算法为基础,根据目标函数的变化率,在不同的进化阶段自适应地选择两种不同的差分进化策略,在保证算法收敛速度的同时兼顾种群的多样性,避免算法陷入局部最优。选用DTLZ测试函数对新算法进行了性能测试,并与其它算法进行了比较。结果显示,新算法解的分布性和均匀性有了一定程度的提高。(本文来源于《安徽理工大学学报(自然科学版)》期刊2019年05期）
翟志波,宋光婕[2]（2019）在《基于双种群进化策略的教与学-免疫克隆多目标进化算法》一文中研究指出目的用基于双种群进化策略的教与学-免疫克隆多目标进化算法(multi-objective teaching-learning-based optimization with immune clone algorithm, MTLBO-ICA),解决无约束多目标优化问题。方法将局部搜索能力强的免疫克隆算法(immune clone algorithm, ICA)与全局搜索能力强的教与学优化算法(teaching-learning-based optimization,TLBO)算法相结合;采用Pareto交叉算子,使得优秀个体基因尽可能得到保留;采用Pareto支配的策略,将种群分为非支配个体和支配个体。结果相比于经典的多目标优化算法NSGA-II,SPEA2以及MOTLBO,MTLBO-ICA算法得到的Pareto曲线与真实Pareto曲线拟合的比较好。结论 MTLBO-ICA在收敛性和分散性方面都有很好的表现,能有效解决无约束多目标进化问题。(本文来源于《宝鸡文理学院学报(自然科学版)》期刊2019年02期）
吕文鹏[3]（2019）在《免疫多目标进化算法的研究与应用》一文中研究指出多目标优化问题是进化计算领域的研究热点之一,人工免疫系统是借鉴生物免疫原理与生物免疫机制发展起来的智能系统。将人工免疫系统引入多目标进化算法目前已成为多目标优化中较有潜力的一个研究方向。本文主要研究了叁种改进的免疫多目标进化算法,并将其应用于实际问题。具体内容如下:1.针对免疫多目标进化算法分布性欠佳的缺陷,提出一种基于自适应网格方法的免疫多目标进化算法。基本思想是:对抗体群进行免疫克隆、免疫基因和克隆选择操作后,利用自适应网格方法提高抗体群的多样性。仿真实验结果和统计指标显示,改进算法与常规免疫多目标进化算法相比较,在解的分布性方面有了一定程度的改进。2.在求解某些比较复杂的多目标优化问题时,精确地找出全部Pareto最优前端是非常困难的。为了更好地解决这一问题,在前人相关研究工作的基础上,给出一种双进化模式免疫多目标进化算法。该算法中有两个进化模块,目的是同时改善算法的收敛速度和种群的多样性。第一个模块通过使用由竞争个体组成的子种群来独立地优化每个子目标,此模块中采用不同的进化交叉以优化相应的目标函数。第二个模块采用自适应网络免疫多目标进化算法,通过克隆、选择等操作同时优化所有目标。选择标准测试函数对新算法进行了性能测试,并与其他算法进行了比较,验证了新算法的有效性。3.针对基本免疫多目标进化算法易早熟和局部搜索能力欠佳的缺陷,将多生境免疫多目标进化算法应用于无人机灾情巡查路径优化。基本思想是:在适应值共享的基础上,在选择算子中引入排挤机制,在交叉算子中采用间隔交叉,并使用最相似个体中适应度最差个体替换技术。数值实验表明,多生境免疫多目标进化算法可以大大提高种群的多样性,在一定程度上避免早熟,获得比基本免疫多目标进化算法更优的巡查路径。图[27]表[2]参[54](本文来源于《安徽理工大学》期刊2019-05-30）
张智察,倪长健,邓也,汤津赢,朱育雷[4]（2019）在《气溶胶等效复折射率反演的免疫进化算法》一文中研究指出通过Mie散射理论公式构建目标函数,利用免疫进化算法对气溶胶等效复折射率的实部和虚部进行协同优化,据此创新性地提出了气溶胶等效复折射率反演的新途径.基于成都市2017年9～12月逐时的气溶胶散射系数和吸收系数观测数据以及该时段同时次GRIMM180大气颗粒物监测仪的连续监测资料,研究结果表明,气溶胶等效复折射率反演的免疫进化算法不仅是普适的,而且还具有收敛速度快?计算稳定和求解精度高等特点.通过与其它气溶胶等效复折射率反演方法的对比分析,进一步论证了新方法的优势,这为气溶胶等效复折射率演变机理以及气溶胶吸湿性增长模型的后续研究提供了算法保障.(本文来源于《中国环境科学》期刊2019年02期）
吕文鹏,许峰[5]（2018）在《基于自适应网格方法的免疫多目标进化算法》一文中研究指出针对免疫多目标进化算法分布性欠佳的缺陷,提出一种基于自适应网格方法的免疫多目标进化算法。基本思想是:对抗体群进行免疫克隆、免疫基因和克隆选择操作后,利用自适应网格方法提高抗体群的多样性。仿真实验结果和统计指标显示,改进算法与常规免疫多目标进化算法相比较,在解的分布性方面有了较大程度的改进。(本文来源于《软件工程》期刊2018年06期）
徐志平,许峰[6]（2018）在《基于环境策略的免疫克隆约束多目标进化算法》一文中研究指出在常规免疫克隆约束多目标进化算法中,优秀不可行解易被淘汰,且无法直接学习进化经验。针对该问题,提出了基于环境策略的免疫克隆约束多目标进化算法。其基本思想是,在约束处理前,通过环境策略用Pareto支配形成初始抗体群,利用一个精英种群对初始抗体群进行存储;约束处理后,用环境策略变异替换克隆变异。数值实验结果表明,新算法不仅可以有效地处理约束条件,而且解的多样性和均匀性均得到一定程度改进。(本文来源于《软件导刊》期刊2018年01期）
蒋行国,罗珍珍,李海鸥,欧少敏[7]（2017）在《基于免疫量子进化算法的惯性传感器信号重构》一文中研究指出针对惯性传感器信号的特点,提出一种基于免疫量子进化算法的正交匹配追踪重构方法。该方法以正交匹配追踪算法为核心,将免疫机制引入量子进化算法。首先,通过量子编码的迭加性构造抗体、免疫克隆操作实现种群扩张,以加速原子搜索进程,同时借助量子交叉操作避免算法陷入局部最优。然后,利用各次迭代选取的最佳匹配原子完成惯性传感器信号的重构,从而达到滤波的目的。仿真结果表明,在该算法下,静态信号的零漂值得到了改善,信噪比提高了10.48 dB,动态信号均方误差降低了28.551(″/s)。相同条件下,与现有重构算法相比,信号滤波效果提高的同时,重构时间均减少了4 s左右,最终实现了惯性传感器信号的实时性处理。(本文来源于《电子技术应用》期刊2017年10期）
徐雪松,杨胜杰,陈荣元,梁伟,蒋伟进[8]（2018）在《基于随机泛函的免疫进化算法收敛性及性能分析》一文中研究指出分析基于免疫响应原理的免疫进化算法流程和运行机制.根据免疫抗体群的状态转移过程,研究免疫进化算法的马尔科夫随机过程,并采用随机泛函分析算法的收敛性,突破传统马尔可夫链方法对解空间较大问题分析的局限性.根据免疫进化算法参数构成和抗体种群达到吸收态的转换特性,采用泛函理论论证算法收敛速度估计、时间复杂度计算和参数选择原则.通过实验总结影响免疫进化算法收敛性的关键因素,为解空间较大及高维优化问题的免疫进化算法收敛性和性能分析提供可行方法.(本文来源于《控制与决策》期刊2018年06期）
任照环,倪长健[9]（2016）在《免疫进化算法在复合极值分布参数估计中的应用》一文中研究指出参数估计是复合极值模型应用的难点之一,针对这一问题,利用免疫进化算法来估计复合极值模型的参数,给出在气候统计方面的两个应用实例。结果表明:免疫进化算法应用于复合极值模型参数求解是合理和可行的;相比于L-矩估计法及复合矩估计法,免疫进化算法所求参数拟合效果更好;免疫进化算法具有高效、普适的优点,在其他参数优化问题上也有广泛的应用前景。(本文来源于《成都信息工程大学学报》期刊2016年02期）
吕红,朱作付[10]（2015）在《多种群免疫协同进化算法在物流配送中心选址中的研究》一文中研究指出为提高免疫算法在物流配送中心选址问题的效率,文章引入了多种群协同进化的框架模型,在此模型上提出了一种多种群免疫协同进化算法(Multiple Population Immune Co-evolution Algorithm,MPICA)。MPICA通过对若干个抗体子群进行多样性评价,获得各自的记忆库和父代种群;记忆库之间通过移民算子进行联系,增大优秀抗体亲和度成熟的概率;各父代种群通过期望繁殖率进行选择、动态交叉和变异来提高抗体分布的多样性。针对物流配送中心选址实验数据表明,MPICA具有可靠地收敛性和全局寻优能力,能够高效的进行物流配送中心的选址。(本文来源于《电脑与信息技术》期刊2015年03期）
免疫进化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的用基于双种群进化策略的教与学-免疫克隆多目标进化算法(multi-objective teaching-learning-based optimization with immune clone algorithm, MTLBO-ICA),解决无约束多目标优化问题。方法将局部搜索能力强的免疫克隆算法(immune clone algorithm, ICA)与全局搜索能力强的教与学优化算法(teaching-learning-based optimization,TLBO)算法相结合;采用Pareto交叉算子,使得优秀个体基因尽可能得到保留;采用Pareto支配的策略,将种群分为非支配个体和支配个体。结果相比于经典的多目标优化算法NSGA-II,SPEA2以及MOTLBO,MTLBO-ICA算法得到的Pareto曲线与真实Pareto曲线拟合的比较好。结论 MTLBO-ICA在收敛性和分散性方面都有很好的表现,能有效解决无约束多目标进化问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
免疫进化算法论文参考文献
[1].康锰,许峰.多进化策略自适应免疫多目标进化算法[J].安徽理工大学学报(自然科学版).2019
[2].翟志波,宋光婕.基于双种群进化策略的教与学-免疫克隆多目标进化算法[J].宝鸡文理学院学报(自然科学版).2019
[3].吕文鹏.免疫多目标进化算法的研究与应用[D].安徽理工大学.2019
[4].张智察,倪长健,邓也,汤津赢,朱育雷.气溶胶等效复折射率反演的免疫进化算法[J].中国环境科学.2019
[5].吕文鹏,许峰.基于自适应网格方法的免疫多目标进化算法[J].软件工程.2018
[6].徐志平,许峰.基于环境策略的免疫克隆约束多目标进化算法[J].软件导刊.2018
[7].蒋行国,罗珍珍,李海鸥,欧少敏.基于免疫量子进化算法的惯性传感器信号重构[J].电子技术应用.2017
[8].徐雪松,杨胜杰,陈荣元,梁伟,蒋伟进.基于随机泛函的免疫进化算法收敛性及性能分析[J].控制与决策.2018
[9].任照环,倪长健.免疫进化算法在复合极值分布参数估计中的应用[J].成都信息工程大学学报.2016
[10].吕红,朱作付.多种群免疫协同进化算法在物流配送中心选址中的研究[J].电脑与信息技术.2015
论文知识图
