学位论文 > 优秀研究生学位论文题录展示

免疫粒子群算法研究及其应用

作　者: 韩琳
导　师: 贺兴时
学　校: 西安工程大学
专　业: 应用数学
关键词: 粒子群算法免疫算子相对基学习混沌优化离散优化问题模糊聚类分析 BP神经网络
分类号: TP18
类　型: 硕士论文
年　份: 2008年
下　载: 506次
引　用: 4次
阅　读: 论文下载

内容摘要

在实际工程应用中有很多优化问题呈复杂性、约束性、非线性和建模困难等特点,难以应用传统数学方法来解决,迫切需要寻找新型的智能优化方法。群体智能,作为一种新兴的智能计算技术正受到越来越多研究者的关注。群体智能的协作性、分布性、鲁棒性和快速性等特点使之在没有集中控制且不提供全局模型的前提下,提供了解决复杂工程优化问题的方法。粒子群算法是近年来被广泛关注和研究的一种智能优化算法,已应用于函数优化、动态环境优化、神经网络训练等诸多领域。本文系统介绍了基本粒子群算法的理论和方法,在深入分析粒子群算法的缺陷及成因的基础上,利用免疫学习中良好的多样性及免疫算子,对粒子群算法进行改进,来提高算法的收敛速度和精度,有效克服了算法易陷于局部最优和对离散优化问题搜索效果不佳的缺点。本文的主要工作概述如下:(1)对粒子群算法的起源、原理、数学描述、随机性算法的收敛准则以及粒子群算法的收敛性等方面进行了系统的介绍,并分析了基本粒子群算法的缺陷及成因。(2)简要介绍了自然免疫学的基本原理,详细分析了人工免疫系统的一些仿生机理,在此基础上研究了免疫粒子群算法的寻优机理。(3)讨论了一种求解离散优化问题的改进粒子群算法。在对粒子进行二进制编码的基础上给出了新的进化规则,并将负选择机制引入二进制粒子群算法中,利用负选择检测异常的特性来控制粒子的速度和改善群体的多样性。将该算法应用于函数优化,仿真结果表明,基于负选择的二进制粒子群算法与其它二进制粒子群优化、遗传算法相比,显著提高了搜索能力和收敛速度。(4)将免疫信息处理机制和相对基学习(Opposition-Based Learning)引入粒子群算法中,利用免疫系统的多样性、免疫自我调节、免疫记忆等特性增强粒子群算法的全局寻优能力,并且利用求解过程中的一些特征信息或知识提取“疫苗”,通过“接种疫苗”和“免疫选择”来指导搜索过程,有效地克服了基本粒子群算法的早熟现象,同时采用相对基学习初始化种群,以获得更优的初始候选解,提高算法的收敛速度。将改进的算法应用于模糊聚类分析中,以UCI机器学习数据库中的两组数据集为研究对象进行仿真,实验结果表明:该算法具有较好的聚类效果。(5)将人工免疫系统中的克隆选择机制和混沌优化引入粒子群算法中,利用克隆和混沌变异等算子对算法进行改进,提高种群的多样性,并与Iris分类问题相结合,对BP网络的权值进行优化。通过与基于标准粒子群算法的方法和单纯BP网络训练进行比较,实验结果表明:该算法具有良好的收敛性和稳定性。最后,对论文所做工作进行了全面总结,在此基础上提出了粒子群算法的进一步研究问题。

全文目录

摘要  4-6
ABSTRACT  6-10
1 绪论  10-14
  1.1 研究背景及意义  10-11
  1.2 国内外研究的现状  11-12
  1.3 主要研究工作  12-13
  1.4 论文的结构  13-14
2 粒子群算法及其收敛性分析  14-23
  2.1 基本粒子群算法  14-16
  2.2 随机算法的收敛准则  16-20
  2.3 粒子群算法的收敛性  20-21
  2.4 粒子群算法的缺陷  21-23
3 免疫粒子群算法原理和方法  23-33
  3.1 引言  23
  3.2 自然免疫学基本原理  23-26
    3.2.1 生物免疫机制  23-24
    3.2.2 抗体、抗原、亲和力  24-25
    3.2.3 获得性免疫应答  25
    3.2.4 生物免疫机制的抽取  25-26
  3.3 人工免疫系统  26
  3.4 人工免疫系统的仿生机理  26-30
    3.4.1 免疫识别  27
    3.4.2 免疫学习和记忆  27-28
    3.4.3 克隆选择原理  28
    3.4.4 抗体多样性  28-29
    3.4.5 免疫调节  29-30
    3.4.6 抗体浓度抑制  30
  3.5 免疫粒子群算法基本原理  30-32
  3.6 免疫粒子群算法的特点  32-33
4 基于负选择的二进制粒子群算法  33-45
  4.1 算法描述  33-36
    4.1.1 二进制粒子群算法  33-34
    4.1.2 负选择的基本理论  34-35
    4.1.3 基于负选择的二进制粒子群算法（NS_BPSO）  35-36
  4.2 仿真实验及结果分析  36-44
    4.2.1 测试函数  36-38
    4.2.2 实验结果及分析  38-44
  4.3 本章小结  44-45
5 基于相对基学习和免疫疫苗的免疫粒子群算法  45-60
  5.1 算法描述  45-51
    5.1.1 相对基学习  45-48
    5.1.2 免疫记忆和免疫调节的实现  48-49
    5.1.3 接种疫苗和免疫选择的实现  49-51
    5.1.4 IPSO 算法的基本框架  51
  5.2 IPSO 算法在模糊聚类分析中的应用  51-59
    5.2.1 模糊聚类分析  51-55
    5.2.2 基于IPSO 的模糊C 均值聚类算法（IPSO_FCM）  55-57
    5.2.3 仿真实验及结果分析  57-59
  5.3 本章小结  59-60
6 基于混沌克隆选择的免疫粒子群算法  60-71
  6.1 算法描述  60-63
    6.1.1 克隆选择原理  60
    6.1.2 混沌优化  60-61
    6.1.3 基于混沌克隆选择的免疫粒子群算法（CIPSO）  61-63
  6.2 CIPSO 算法在人工神经网络中的应用  63-70
    6.2.1 人工神经网络  63-67
    6.2.2 基于CIPSO 的BP 神经网络学习算法  67-68
    6.2.3 仿真实验及结果分析  68-70
  6.3 本章小结  70-71
7 总结与展望  71-74
  7.1 论文总结  71-72
  7.2 进一步工作的展望  72-74
参考文献  74-81
致谢  81-82
攻读硕士学位期间发表论文和科研情况  82

免疫粒子群算法研究及其应用

内容摘要

全文目录

相似论文