免疫优化算法

A. 免疫优化算法英文文献

知网 或万方可以找到

B. 免疫算法的提出

在生命科学领域中，人们已经对遗传(Heredity)与免疫(Immunity)等自然现象进行了广泛深入的研究。六十年代Bagley和Rosenberg等先驱在对这些研究成果进行分析与理解的基础上，借鉴其相关内容和知识，特别是遗传学方面的理论与概念，并将其成功应用于工程科学的某些领域，收到了良好的效果。时至八十年代中期，美国Michigan大学的Hollan教授不仅对以前的学者们提出的遗传概念进行了总结与推广，而且给出了简明清晰的算法描述，并由此形成目前一般意义上的遗传算法(GeneticAlgorithm)GA。由于遗传算法较以往传统的搜索算法具有使用方便、鲁棒性强、便于并行处理等特点，因而广泛应用于组合优化、结构设计、人工智能等领域。另一方面，Farmer和Bersini等人也先后在不同时期、不同程度地涉及到了有关免疫的概念。遗传算法是一种具有生成+检测 (generate and test)的迭代过程的搜索算法。从理论上分析，迭代过程中，在保留上一代最佳个体的前提下，遗传算法是全局收敛的。然而，在对算法的实施过程中不难发现两个主要遗传算子都是在一定发生概率的条件下，随机地、没有指导地迭代搜索，因此它们在为群体中的个体提供了进化机会的同时，也无可避免地产生了退化的可能。在某些情况下，这种退化现象还相当明显。另外，每一个待求的实际问题都会有自身一些基本的、显而易见的特征信息或知识。然而遗传算法的交叉和变异算子却相对固定，在求解问题时，可变的灵活程度较小。这无疑对算法的通用性是有益的，但却忽视了问题的特征信息对求解问题时的辅助作用，特别是在求解一些复杂问题时，这种忽视所带来的损失往往就比较明显了。实践也表明，仅仅使用遗传算法或者以其为代表的进化算法，在模仿人类智能处理事物的能力方面还远远不足，还必须更加深层次地挖掘与利用人类的智能资源。从这一点讲，学习生物智能、开发、进而利用生物智能是进化算法乃至智能计算的一个永恒的话题。所以，研究者力图将生命科学中的免疫概念引入到工程实践领域，借助其中的有关知识与理论并将其与已有的一些智能算法有机地结合起来，以建立新的进化理论与算法，来提高算法的整体性能。基于这一思想，将免疫概念及其理论应用于遗传算法，在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象，这种算法称为免疫算法(ImmuneAlgorithm)IA。下面将会给出算法的具体步骤，证明其全局收敛性，提出免疫疫苗的选择策略和免疫算子的构造方法，理论分析和对TSP问题的仿真结果表明免疫算法不仅是有效的而且也是可行的，并较好地解决了遗传算法中的退化问题。

C. IA优化算法是什么

IA优化算法指的是免疫算法是模仿生物免疫机制，结合基因的进化机理，人工构造出的一种新型智能优化算法。它具有一般免疫系统的特征，采用群体搜索策略，通过迭代计算，最终以较大的概率得到问题的最优解。

相比较于其他算法，免疫算法利用自身产生多样性和维持机制的特点，保证了种群的多样性，克服了一般寻优过程（特别是多峰值的寻优过程）中不可避免的“早熟”问题，可以求得全局最优解。免疫算法具有自适应性、随机性、并行性、全局收敛性、种群多样性等优点。

免疫算法主要模块：

抗原识别与初始抗体产生。根据待优化问题的特点设计合适的抗体编码规则，并在此编码规则下利用问题的先验知识产生初始抗体种群。

抗体评价。对抗体的质量进行评价，评价准则主要为抗体亲和度和个体浓度，评价得出的优质抗体将进行进化免疫操作，劣质抗体将会被更新。

免疫操作。利用免疫选择、克隆、变异、克隆抑制、种群刷新等算子模拟生物免疫应答中的各种免疫操作，形成基于生物免疫系统克隆选择原理的进化规则和方法，实现对各种最优化问题的寻优搜索。

D. 概率搜索算法有哪些，除了遗传算法和蚁群算法

智能优化算法分为进化算法，群智能算法等
遗传算法属于进化算法，其中还有进化策略，进化规划等
蚁群算法属于群智能优化算法，其中还有微粒群算法，鱼群算法，猴群算法等
免疫算法也属于智能优化算法，基于生物免疫系统机理
模拟退火算法是否属于智能优化算法尚不明确，一般可以认为是
神经网络也是智能优化算法的一种

E. 李士勇的研究方向

1、模糊控制：基于非线性科学的模糊控制系统稳定性分析；复杂系统意义下的模糊控制理论与应用；卫星姿态的模糊控制；造纸过程的计算机模糊控制。2、神经网络：模糊神经网络控制，基于神经网络的智能预测控制等。3、智能控制：智能控制系统设计，智能控制系统的定性定量综合集成推理，多机并行竞争协调综合智能控制理论与实现技术。4、智能优化算法：遗传算法，免疫优化算法，蚁群算法。5、粗糙集理论及在智能信息处理与决策中的应用。

F. 免疫算法的多样性评价对文章的优化问题有何意义

生物免疫系统的多样性!适应性及免疫记忆等特性正越来越引起人们的关注目前已提出了一些
基于免疫概念的优化算法本文详细地讨论了多种基于免疫概念的优化算法指出这些方法是免疫信息机理与遗传算法相结合的产物最后提出了免疫优化算法的发展前景
如果你对这个答案有什么疑问，请追问，
另外如果你觉得我的回答对你有所帮助，请千万别忘记采纳哟！

G. matlab智能算法30个案例分析中第十二章免疫优化算法在物流配送中心选址的应用

罚函数是把约束条件变成目标函数一部分的一种方法，系数4是随意取的，当然这个要根据实际情况，一般和你的目标函数在一个数量级上即可。如果系数取大了，那么不同的自变量使得目标函数的值不同就表现不出来，如果取小了，反应不出约束条件的第一重要性。

H. 什么是智能优化算法

群体智能优化算法是一类基于概率的随机搜索进化算法，各个算法之间存在结构、研究内容、计算方法等具有较大的相似性。因此，群体智能优化算法可以建立一个基本的理论框架模式：

Step1：设置参数，初始化种群；

Step2：生成一组解，计算其适应值；

Step3：由个体最有适应着，通过比较得到群体最优适应值；

Step4：判断终止条件示否满足？如果满足，结束迭代；否则，转向Step2；

各个群体智能算法之间最大不同在于算法更新规则上，有基于模拟群居生物运动步长更新的（如PSO，AFSA与SFLA），也有根据某种算法机理设置更新规则（如ACO）。

(8)免疫优化算法扩展阅读

优化算法有很多，经典算法包括：有线性规划，动态规划等；改进型局部搜索算法包括爬山法，最速下降法等，模拟退火、遗传算法以及禁忌搜索称作指导性搜索法。而神经网络，混沌搜索则属于系统动态演化方法。

优化思想里面经常提到邻域函数，它的作用是指出如何由当前解得到一个（组）新解。其具体实现方式要根据具体问题分析来定。

I. 免疫算法最优化问题交叉变异算子一般取多大

一般交叉和变异的概率是分开取的，而且要看目标函数究竟有多复杂，通常交叉算子的概率可以取0.7~0.9之间，如果采用实数编码，建议取大一点，变异算子主要取决于函数的局部最优解是不是非常多，如果是的话，可以将变异算子的概率取到0.3，通常是0.01~0.1的变异概率。到底取多少还是要看目标函数以及想要的收敛速度。

J. 使用遗传算法和免疫算法的优化结果是否有差别

遗传算法是一种智能计算方法，针对不同的实际问题可以设计不同的计算程序。它主要有复制，交叉，变异三部分完成，是仿照生物进化过程来进行计算方法的设计。 模糊数学是研究现实生活中一类模糊现象的数学。简单地说就是像好与坏怎样精确的描述，将好精确化，用数字来表达。 神经网络是一种仿生计算方法，仿照生物体中信息的传递过程来进行数学计算。 这三种知识都是近40年兴起的新兴学科，主要应用在智能模糊控制上面。这三者可以结合起来应用。如用模糊数学些遗传算法的程序，优化神经网络，最后用神经网络控制飞行器或其他物体