融合云模型和反向学习的克隆选择算法

TP391.41; 为了进一步改善高维对象优化时免疫克隆算法的种群多样性,提高算法全局优化能力和搜索效率,提出了融合云模型和反向学习的克隆选择算法.引入云模型概念,使用正向云发生器产生云变异因子,进而对克隆后种群进行变异;利用反向学习策略,对变异前后的种群求反向解,进而实现种群抗体选择;通过马尔可夫链理论证明了算法收敛性.六组高维函数测试结果表明,与差分遗传算法、免疫遗传算法和自适应混沌克隆选择算法相比,该算法实现了100％的寻优,且最小收敛代数、平均收敛代数及迭代代数标准差分别平均减少33.7％、19.8％、29.1％,从而验证了其强优化能力、高搜索效率和好稳定性....

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 57; no. 17; pp. 68 - 74
Main Authors 王丽丽, 申燚, 徐玉松, 袁明新
Format Journal Article
LanguageChinese
Published 江苏科技大学 冶金与材料工程学院,江苏 张家港 215600%江苏科技大学 机电与动力工程学院,江苏 张家港 215600 2021
Subjects
反向学习
克隆选择
云变异
云模型
高维函数优化
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2007-0327

Cover

More Information
Summary:TP391.41; 为了进一步改善高维对象优化时免疫克隆算法的种群多样性,提高算法全局优化能力和搜索效率,提出了融合云模型和反向学习的克隆选择算法.引入云模型概念,使用正向云发生器产生云变异因子,进而对克隆后种群进行变异;利用反向学习策略,对变异前后的种群求反向解,进而实现种群抗体选择;通过马尔可夫链理论证明了算法收敛性.六组高维函数测试结果表明,与差分遗传算法、免疫遗传算法和自适应混沌克隆选择算法相比,该算法实现了100％的寻优,且最小收敛代数、平均收敛代数及迭代代数标准差分别平均减少33.7％、19.8％、29.1％,从而验证了其强优化能力、高搜索效率和好稳定性.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2007-0327