一、基于形状空间的克隆选择算法用于多峰值函数的优化（论文文献综述）
周久芳[1]（2019）在《基于免疫多种群的萤火虫算法及其应用》文中研究表明现今,优化问题早已渗透到如工程、科学、工业等大多数领域中。以生物智能为基础发展起来的仿生群智能优化算法具有并行高效的、通用性强、无需问题特殊信息等优点,为解决优化问题提供了新的思路。萤火虫算法（FA）是一类受萤火虫群体发光行为信息的启发演变过来的新型仿生群智能优化算法,算法通过搜索域内更亮萤火虫吸引其他个体向其移动,实现位置更迭。本文针对传统萤火虫算法存在的求解精度低、稳定性弱、易陷入早熟收敛等缺陷,提出一种免疫多种群萤火虫算法（IMPFA）,并将该方法应用于多模态函数寻优、X射线脉冲星导航（XPNAV）时延估计和无线传感器网络（WSNs）覆盖优化问题中。论文的主要工作及成果如下:（1）针对多模态函数优化问题,利用萤火虫算法和克隆选择算法各自的优势,提出一种串联混合方式的免疫多种群萤火虫算法。算法在每次循环迭代中,先通过多种群进化机制的萤火虫算法（MPFA）在可行区域内进行全局搜索,再通过鲁棒性强的非均匀变异克隆选择算法（NUMCSA）对已找到的解局部寻优以提高解的精度。最后通过引入复杂多峰函数测试IMPFA算法的性能,实验结果表明,该算法具有较高的求解精度和良好的稳定性。（2）为了进一步检验免疫多种群萤火虫算法的效果,将该算法应用到两个工程优化问题中。脉冲到达时间（TOA）的估计是影响XPNAV系统性能的重要因素之一,而计算TOA需通过时延估计实现。本文将双谱算法与改进的萤火虫算法相结合,提出一种基于IMPFA的双谱谱点选择的时延估计方法。实验表明,该方法有效地降低了导航算法的计算量。网络覆盖是评价WSNs测量性能的一项重要因素。本文在建立网络覆盖数学模型基础上,引入改进萤火虫算法对网络节点进行优化部署,提出一种基于IMPFA的无线传感器网络覆盖优化算法（IMPFA-WSNs）。仿真实验结果表明,与传统萤火虫算法相比,该算法扩大了区域的覆盖率。
余滨杉[2]（2018）在《高压输电塔结构地震响应被动—半主动混合控制分析与试验》文中研究表明输电塔是生命线工程的重要组成部分,一旦在强震中遭到破坏,不仅会给国家造成巨大经济损失,而且还会引发火灾、缺水、断气等次生灾害,对震后救灾和重建也影响很大。然而,由于地震的复杂性和输电塔结构的特殊性等,即使按照最新抗震规范设计的输电塔结构,在近期发生的一些地震中仍然出现严重破坏或倒塌,导致整个生命线工程陷入瘫痪。这就迫使研究人员不得不寻求一些新的抗震设计理论或减震方法,以确保这类结构在地震中的安全。本文以形状记忆合金（Shape Memory Alloy,SMA）和压电堆为核心元件,研发了一种SMA被动-压电堆半主动摩擦混合减震系统,并将其应用于输电塔结构地震响应的混合控制分析和试验,得出了一些创新性结论和建议。主要内容如下:（1）根据输电塔结构地震响应的主要特点和震害调查结果,利用SMA和压电堆特殊的物理力学性能,研发制作了一种体积较小、便于与输电塔结构集成的一体化SMA被动-压电堆半主动摩擦混合减震控制系统。该系统的工作原理主要为,结构地震响应较小时,以SMA被动消能减震为主,地震响应较大时,压电堆半主动摩擦装置发挥较大作用,同时两者共同工作,最后再利用SMA进行系统的震后复位。这样既可以保证混合减震控制系统工作性能的可靠性,又能够根据结构地震响应控制需要进行结构的被动或混合减震控制,明显提高系统的减震控制能力。（2）基于上述一体化SMA被动-压电堆半主动摩擦混合减震控制系统的研发结果,同时考虑到输电塔结构的地域特殊性,设计独立光伏发电装置作为系统的能源供给,进行了混合减震控制系统的优化分析和减震控制性能试验,研究了SMA的初始状态、压电堆的工作条件和激励电压等因素对该系统混合减震控制效果的影响,探讨了相应的优化设计和构造方法,总结了影响系统减震控制效果的一般规律。结果表明,文中研发的混合减震控制系统体积较小,便于与结构杆件集成,被动减震和混合减震控制能力均较好,特别是压电堆半主动摩擦装置工作后,混合减震控制能力明显提高,绝对最大控制力与电压基本上呈线性增大关系,当位移幅值为13mm,同时施加120V电压时,系统的耗能能力提高了135%,等效阻尼比提高了90%以上。（3）以SMA丝材和混合减震控制系统的试验结果为基础,采用不同的神经元输入,对二者建立了BP网络预测本构模型,并利用遗传算法分别对SMA丝材和混合减震系统BP预测模型的权阈值进行了优化分析,建立了2种优化后的BP网络预测本构模型。结果表明,混合减震控制系统以位移、电压和速率等作为系统预测本构模型的神经元输入,可简化神经元的输入参量,方便工程应用,特别是经遗传算法优化的BP网络模型能够提高系统预测本构模型的精度和稳定性,可用于系统的优化设计和研发。（4）针对基本免疫克隆选择算法存在的一些问题,引入抗体浓度和自适应变异对其进行了改进,提出了一种改进的免疫克隆选择算法。将模态可控度作为优化配置的性能指标,以某实际典型输电塔结构为原型,采用文中改进的免疫克隆选择算法,对该结构模型中混合减震控制系统的配置数量和位置等进行了优化分析,研究了优化减震控制效果。结果表明,改进的免疫克隆选择算法具有丰富的种群多样性,寻优能力强,收敛速度快,经其计算得出的优化配置方案能够使结构获得较高的控制性能指标,减震控制效果提高。一般地,经过优化方案配置后结构的减震控制效果比未优化任意配置时可提高20%左右。（5）结合模糊控制和神经网络算法二者的优势,设计了一种适用于输电塔结构混合减震控制的模糊神经网络计算模型,采用上述改进的免疫克隆选择算法得到的最优配置方案,将文中研发的混合减震控制系统集成于上述典型输电塔模型结构之中,进行了输电塔结构地震响应混合减震控制的数值模拟,分析了减震控制规律和效果。结果表明,采用文中的模糊神经网络计算模型和优化配置的混合减震控制系统,可明显减小结构的地震响应,减震控制效果基本可达50%。（6）以某实际典型输电塔结构为原型,设计制作了一个相似比为1/15的输电塔缩尺模型结构,根据改进的免疫克隆选择算法对其优化配置了文中的混合减震控制系统,采用模糊神经网络控制算法,进行了模型结构在无控和受控时共18个工况下的模拟地震振动台试验,分析了无控时试验模型的动力响应和混合控制时减震系统对试验模型的减震控制效果。试验表明,文中的混合减震控制系统能够有效提高模型结构的整体性能,明显降低模型结构的地震响应,其中7度罕遇地震作用下结构的位移响应减震效果最大可达50%,8度罕遇地震作用下结构加速度响应减震效果最大可达42%,可见文中研发的混合减震控制系统和模糊神经网络控制算法减震控制效果明显,值得进一步研究和推广应用。
展猛[3]（2017）在《基于SMA-压电复合减震系统的电抗器结构地震响应控制研究》文中认为电抗器是电力系统中的重要设备之一,主要起着限流、滤波和补偿作用。一般由电抗器实体和支柱绝缘子组成,具有重心高,顶部质量大,支柱长细比大等特点,抗震性能较差。地震后常发生支柱绝缘子与电抗器组件连接部位被震坏等现象。而随着我国电网容量的大幅增加以及电压等级的不断提高,电抗器电压等级及容量也不断提升,使得设备整体高度大幅度增高,对抗震性能的要求也越来越高。本文针对形状记忆合金（Shape Memory Alloy,SMA）被动减震装置和压电摩擦半主动减震装置存在的缺点,考虑电抗器设备特点和结构减震控制要求,研发了一种新型SMA-压电摩擦复合减震装置,并结合人工免疫算法、BP神经网络和模糊控制算法等智能控制技术,进行了基于电抗器结构的SMA-压电复合减震系统的一体化理论分析与试验研究。主要内容如下:（1）针对遗传算法容易陷入早熟收敛和群体多样性差的问题,基于生物免疫系统中的克隆选择、免疫记忆以及免疫自调节机理,提出了一种自适应免疫记忆克隆算法（AIMCA）。以模态可控度作为优化目标准则的影响因素,分别采用改进的遗传算法（IGA）和AIMCA,对一个85节点、288杆件的空间平板网架结构中减震装置的布置位置和数量进行了优化配置研究。结果表明,AIMCA适用范围广,特别是对于复杂工程结构减震装置的高维优化配置问题,AIMCA则表现出了比IGA更优异的性能,种群多样性更好,寻优能力更强,收敛速度更快,可以获得更大的性能指标值和更优的减震效果。（2）通过对研发的SMA-压电摩擦复合减震装置进行性能试验,分析了激励电压、加/卸载频率和位移幅值等对其单圈耗能能力、等效阻尼比及等效割线刚度的影响。结果表明,该复合减震装置可双向出力,滞回曲线饱满且对称性较好,加/卸载频率对复合减震装置的性能影响很小,说明其工作性能稳定,适用范围广;随着电压的增大,减震装置的绝对最大控制力呈线性增大,滞回面积逐渐增加,耗能能力不断提高。在位移幅值为12mm时,施加120V电压,耗能量可提高138.23%,等效阻尼比可提高94.23%,可见研发的复合减震装置耗能能力较好。（3）基于SMA和SMA-压电摩擦复合减震装置的试验结果,分别采用两种神经元输入策略,建立了相应的BP神经网络预测模型,并利用AIMCA对复合减震装置神经网络模型的权阀值进行了优化。结果表明,相比采用前前时刻和前时刻应力、应变以及本时刻应变作为神经元输入的SMA网络模型,以位移、速率和电压为神经元输入的复合减震装置预测模型由于减少了神经元输入参量,其预测精度有所降低,但便于工程应用,经优化的BP神经网络提高了复合减震装置预测模型的精度和稳定性。BP神经网络预测模型可综合考虑多种因素,较好地预测复合减震装置的出力,便于在MATLAB仿真中实现,为SMA复合类减震装置本构模型的建立和应用提供了新途径。（4）采用连续Bouc-Wen模型模拟结构的非线性恢复力,利用建立的优化BP神经网络模型确定复合减震装置的控制力,电压采用模糊控制输出,进行了一框架结构地震响应的混合半主动控制仿真分析。结果表明,基于复合减震装置的特点,结合人工免疫算法、BP神经网络和模糊控制技术建立的混合半主动控制系统可以根据结构的动力反应实时地调整压电摩擦单元的摩擦出力,便于实现结构的混合半主动控制。（5）设计制作了一个相似比1:2的10kV干式空心电抗器结构模型,对其进行了无控、被动控制和混合控制时的模拟地震振动台试验,分析了模型结构的动力特性变化规律和不同工况下的减震效果。结果表明,文中研制的SMA-压电摩擦复合减震装置可以有效地降低电抗器结构的动力反应,一般地,被动控制时位移和加速度的减震率可达40%,混合控制时可达50%。另外,试验后未见电抗器结构薄弱部位发生地震破坏,说明该复合减震系统可提高电抗器结构的抗震可靠性。
孟红云[4]（2005）在《多目标进化算法及其应用研究》文中指出进化算法的出现为复杂优化问题的求解提供了新的思路,由于它具有智能性、通用性、稳健性、本质并行性和全局搜索能力,已在各个领域得到了广泛的成功应用。本文从生物个体与环境、个体与个体之间的竞争与协作关系出发,首先针对无约束多目标优化问题提出了相应的进化模型与算法,然后分析了已有多目标进化算法的收敛性,给出了衡量不同算法性能的定量性能指标;考虑到实际问题往往是带有多约束的优化问题,针对约束优化问题提出了基于双群体的差分进化算法,并将一种多目标进化算法用于灰度图像和彩色图像的色调处理之中;最后,给出了一种用来搜寻多峰函数所有峰值点的有效算法及评价多峰函数优化问题算法性能的度量方法。本文的主要工作概括如下: 1.基于生物个体与环境、个体与个体之间的竞争与协作关系出发,提出了两种求解多目标优化问题的进化算法:基于AER模型求解多目标优化问题的智能微粒群算法和多目标协同微粒群优化算法。在第一种算法中,基于智能体对环境的感知和反作用的能力,设计了相应的智能体进化算子以实现智能体间的信息共享及维持群体的多样性。在第二种算法中,着眼于个体与个体之间的竞争与协作关系,根据多目标优化问题和微粒群算法自身的特点设计了协同进化算子以加快算法的收敛速度,同时利用不同群体之间的差异在一定程度上维持整个进化群体的多样性,避免陷入局部最优。定性与定量比较结果均表明上述两种算法都能够找到一组范围较广、分布均匀且数量充足的Pareto最优解。 2.对已有的多目标进化算法的收敛性及算法性能进行了分析与讨论。由于对同一多目标优化问题,不同的多目标进化算法求出的结果可能会不相同,为了评价不同算法对同一问题的优劣程度,给出了衡量不同算法性能的定量性能指标,克服了已有的算法性能度量方法存在的缺陷。 3.约束优化问题是目前优化算法研究的难点和热点。基于双群体搜索机制分别对约束多目标优化问题和约束单目标优化问题进行了研究。首先给出一种改进的差分进化算法,进而提出用于约束优化问题的双群体差分进化算法,所给算法允许部分性能较优的不可行解被保存下来并参与新个体的生成,从而共享不可行解的一些有用信息。最后,采用经典测试函数对算法的性能进行了测试,与目前公认的有效算法的比较结果表明所给算法是有效可行的。 4.灰度图像和彩色图像的色调处理可等价为一多目标优化问题。由于K-mean算法具有收敛快的优点但易陷入局部最优,而差分进化算法可避免K-mean算法陷入局部最优。为此我们将二者相结合,构造了一种基于多目标进化技术的灰
杨秋实[5]（2008）在《改进的克隆选择优化算法及其应用研究》文中研究表明生物免疫系统是一种高度并行的自适应信息学习系统,它能自适应地识别和排除机体的抗原性异物,并且具有学习、记忆和自适应调节能力,能够保护机体体内环境的稳定。近年来,人们逐渐意识到生物免疫机制对开发新的计算机智能的启示意义,克隆选择算法（CSA）即是受生物免疫系统启示而设计的新型算法。它结合了先验知识和生物免疫系统的自适应能力两大特点,因而具有较强的鲁棒性和信息处理能力,并且在对问题进行求解时不要求目标函数具有可导等高附加信息,在搜索过程中能更快收敛到全局最优解,被人们认为是具有强大潜力的搜索算法,现已经用于模式识别,异常和故障诊断,机器人控制,网络入侵检测,函数优化等领域,表现出较卓越的性能和效率。本文根据克隆选择原理,研究了克隆选择算法在多峰值函数优化和动态路径优化中的应用。本文的工作主要有以下几个方面:（1）介绍了生物免疫系统的发展历史、系统功能和一些基本概念,简单介绍了人工免疫系统的免疫机理、免疫优化机理以及常见的免疫优化算法;其次,介绍了克隆选择算法的基本原理、基本特点以及克隆选择在优化中的应用。（2）论文通过分析经典的CLONALG算法在多峰值函数优化中的不足,改进克隆选择操作和变异操作,并且引入了免疫网络的抑制操作,提出了一种多峰函数优化的改进的克隆选择算法,该算法并与CLONALG算法和opt-aiNet算法在多峰函数中的优化效果进行比较。（3）通过分析路网中交通状态实时变化的特点以及出行者选择最佳路径的问题上存在多目标性的特点,建立了基于路段行程时间和路段长度的动态路径多目标规划模型。然后,在分析了克隆算法的路径编码方式和变异操作的基础上,设计了一种用于求解动态路径多目标模型的克隆选择算法。仿真结果表明,该算法具有实时性的特点,能以启发式的变异操作较快的搜索出的基于出行者选择的车辆行驶最佳路径,在车辆行驶过程中,可根据实时的交通状态,动态地调整行驶路线。
江斌[6]（2008）在《人工免疫算法的基础研究及其应用》文中指出免疫系统、遗传系统以及神经系统三者,具备大规模并行信息处理能力、强大的学习能力、记忆能力、识别能力、自适应性和鲁棒性、自组织能力和保持多样性的能力。早熟收敛,容易陷入局部最优是标准遗传算法存在的致命。通过适应度尺度变换来调节选择压力是克服这一缺陷的主要方法。但适应度尺度变换是依赖于问题的,通用性稍差。通过对高等脊椎动物免疫系统的了解,我们得到了解决问题的一些启示:针对遗传算法早熟收敛,容易陷入局部最优的缺陷,将免疫浓度调节机制引入到遗传算法,形成免疫遗传算法。免疫遗传算法采用适应度和浓度两个指标对个体（抗体）作出进化评价,有效地调节了选择压力,保持了群体的多样性,克服了遗传算法早熟收敛的弱点,提高问题解的质量。在对现有免疫遗传算法研究的基础上,提出一种基于百分比的抗体相似度定义方法,由此形成一种改进的免疫遗传算法,有效提高算法计算速度、克服早熟收敛。克隆选择学说是用来解释生物免疫系统如何消除外来抗原的机制。克隆选择算法采取亲和度为比例的繁殖和变异策略,通过搜索周边的空间,实现局部的优化,由此实现对全局的优化。针对目前克隆选择算法多峰寻优能力弱的缺陷,在研究经典克隆选择算法的基础上,提出一种改进的克隆选择算法,仿真实验证明该改进算法的有效性。基于“克隆选择、阴性选择、免疫网络”等免疫学原理,人工免疫网络通过模拟免疫网络对抗原的刺激过程,有效地解决数据聚类问题。聚类问题可视为一种多峰优化问题,由此提出了一种面向多峰值函数优化的人工免疫网络算法。该算法能够有效提取出目标函数的绝大部分局部峰值,并具备群体数量自动调节和实数编码等优良特性,但有时会出现早熟现象。针对该缺陷,提出一种改进的人工免疫网络,实验证明改进的人工免疫刚络能够有效克服早熟现象。比例-积分-微分控制器由于算法简单、鲁棒性好、可靠性高,能提供比其它控制器更高的性能/价格比,因而在工业界得到广泛应用。传统的PID参数整定在控制非线性、时变、耦合及参数和结构不确定的复杂过程时,性能大大降低。采用免疫算法（免疫遗传、克隆选择）对PID控制器参数进行优化,从而获取性能优越的离线PID控制器参数。
薛文涛[7]（2008）在《基于免疫的智能优化算法理论及应用研究》文中进行了进一步梳理优化问题大量存在于科学研究和工程应用中的各个领域,因而开展最优化方法的研究具有重要的理论意义和实用价值。传统的确定性优化方法存在诸多的局限性,难以解决当今社会日益增多的复杂问题,而以生物智能或自然现象为基础的智能算法具有简单通用、鲁棒性好、适于并行处理等特点,因此成为解决复杂优化问题的有力工具。生物免疫系统是一个复杂的、高度并行的、分布式的、自适应信息处理系统,它能够识别和排除侵入机体的抗原性异物,并且具有学习、记忆和自适应调节能力。由于基于免疫的算法能有效地克服其他智能算法的早熟现象、种群多样性不足等问题,因此借鉴和利用免疫机制,开发新的智能工具和建立混合智能算法已成为人工智能领域研究的一个热点。本文基于免疫系统的机理,结合其他智能方法进行算法的改进研究,并建立多智能方法相互融合的混合优化技术为复杂的工程问题提供新的实用技术。论文的主要研究成果如下:1.基本遗传算法在进化后期收敛速度较慢、容易早熟收敛。为了解决这些问题,借鉴免疫机理,提出一种基于免疫学习机制的遗传算法。算法不仅保持了优良抗体在进化中的主导地位,而且充分发掘强成长性抗体的寻优潜力,在优良记忆库的作用下,算法对全局最优的搜索快速且有效。仿真结果表明该算法有较强的全局收敛能力和较快的收敛速度。利用该算法优化径向基网络整定的PID控制器,实现了三自由度飞行器模型系统的稳定控制,实验表明了这种方法的控制品质优于线性二次型调节器控制,具有较好的适应能力、鲁棒性和较快的响应速度。2.应用小生境技术,并借鉴免疫机理构造特异性免疫策略,提出一种基于特异性免疫策略的遗传算法。函数仿真结果表明,该方法能有效地改善种群多样性,提高算法的全局收敛能力,且算法收敛成功的概率和平均收敛代数明显要好于同类免疫算法。以二级倒立摆为被控对象,将该算法应用于Takagi-Sugeno模糊神经网络控制器的优化,实物控制结果表明该方法具有良好的动稳态性能、抗干扰能力。3.针对进化规划的早熟收敛问题,本文借鉴免疫系统的应答机制,提出了一种基于双变异算子的免疫规划算法。该算法的核心在于采用全局柯西和局部高斯变异算子,通过保持种群的多样性同时执行记忆、弱小保护策略,保证了算法有效性。理论分析与仿真实验表明,基于双变异算子的免疫规划算法的收敛速度,以及解的精度明显优越于传统的进化规划。4.针对多峰优化问题,提出一种基于双变异算子的免疫网络算法。该算法借鉴免疫系统的克隆选择和免疫网络理论,采用双变异算子以提高算法的全局和局部搜索能力;利用动态网络抑制策略保持种群的多样性,自适应地调节抗体群的规模。仿真结果表明该算法能有效地改善种群的多样性,较好地实现全局优化和局部优化的有机结合,具有更强的多峰函数优化能力。5.针对粒子群算法易早熟、维持多样性差等缺点,借鉴粒子群优化的特性和免疫网络理论,提出一种免疫粒子群网络算法。该算法利用粒子群的信息共享和记忆功能,通过加强粒子对自身经历的认知,提高算法的局部搜索能力;采用动态网络抑制策略,保持种群的多样性,自适应地调节粒子群的规模。仿真结果表明,实现的混合算法不仅减少了收敛所需的迭代次数,而且有效地提高了算法的寻优能力。针对无线传感器网络节点位置优化问题,提出基于免疫粒子群算法的网络覆盖优化机制。通过免疫粒子群算法搜索不同状态下无线传感器节点的最优位置,使无线传感器网络能够实现最大化网络覆盖面积。实验表明这种机制能快速有效地实现无线传感器网络移动节点位置优化。
徐立芳[8]（2008）在《免疫克隆选择算法应用研究》文中研究指明在人工免疫系统研究中,许多方法都借用了克隆选择的思想,或在实现过程中嵌入克隆选择机制。而克隆选择原理的应用研究尚不完善,许多免疫性质只是隐喻使用,并没有真正在人工系统中得到实现。本课题完善了人工免疫系统中的克隆选择机制及算法,研究其在函数优化、PID控制、免疫调度、聚类问题中的应用,论文完成的主要工作如下:基于免疫网络理论用于解释抗体克隆过程中的浓度调节现象,提出在种群进化初期和末期应该按照不同的进化策略进行抗体克隆的算法—免疫网络克隆优化算法（INCOA）,它可以增大种群进化末期抗体多样性,避免算法早熟,并采用非线性方程组和多峰值函数对算法进行测试,测试结果证实了算法的有效性。提出简单克隆选择算法（SCSA）用于控制系统PID控制参数优化,通过倒立摆、一阶延迟函数模型、六阶函数模型的MATLAB仿真实验,以及倒立摆实时控制实验证明:算法实现简单,计算复杂性小;对于目标函数解的搜索结果稳定,与基本克隆选择算法（BCSA）相比算法收敛速度明显提高;SCSA用于解决PID控制参数优化问题,整体性能优于遗传算法和BCSA。将小生境理论用于自适应克隆启发算法的设计,提出自适应克隆启发算法（SACHA）和小生境自适应克隆启发算法（NSACHA）用于复杂的作业调度问题。动态模仿免疫细胞之间的自适应和协同进化行为,表现为不同种群之间、不同抗体之间对抗体克隆数量的竞争,改善了问题解（抗体）对问题空间的覆盖率,提高算法全局搜索能力。NSACHA能同时求得全局最优值和局部最优值,能够对得到的结果进行次优性的定量评估,在实际调度问题中具有一定的现实意义。最后,针对聚类问题提出抗体记忆克隆聚类算法（AMCCA）,利用克隆选择、克隆记忆等免疫机制对抗原数据产生记忆细胞,抑制较差抗体,从而达到将数据压缩的目的。实验证明在搜索空间进行随机搜索的AMCCA比传统算法能发现更好的解,与其它聚类算法相比性能接近,AMCCA可以用于聚类。本文分析研究结果表明基于生物克隆选择原理及机制启发的免疫克隆选择算法,能够获得等同或优于传统方法和其它进化方法的性能,具有一定的实际应用价值。
唐超礼[9]（2007）在《群智能算法及其在函数优化中的应用研究》文中研究表明群智能算法是从模拟自然界生物群体的智能行为发展而来,目前典型的群智能算法有:遗传算法、人工免疫、粒子群算法以及蚁群算法等。它们都是基于群体搜索的随机优化算法,它们的特点是对优化的目标函数没有连续、可微等要求,且算法的结果不依赖于初值的选取,因此,对群智能算法的研究,具有重要的理论意义与实用价值。本文主要研究了目前典型的几种群智能优化算法在函数优化方面的应用。为了搜索函数的最优解,基于遗传算法基本理论,提出了自适应遗传算法（AGA）。AGA从两个方面改进了标准遗传算法:一是交叉、变异率会自适应调节大小;二是交叉、变异具有方向性。通过对AGA的仿真研究,分析了AGA中参数取值对算法的性能影响。最后把AGA和标准遗传算法进行了仿真比较,结果表明AGA在求解函数最优解问题时性能较优。结合克隆选择算法基本原理,提出一种搜索函数最优解问题的自适应克隆选择算法（ACSA）,ACSA从两个方面改进了算法:一是高频变异前乘上一个随进化代数递减的系数;二是每代更新数d会随着抗体群的平均适应度值自适应调节。通过对ACSA的仿真研究,分析了ACSA中参数取值对算法的性能影响,并把ACSA和标准遗传算法进行了仿真比较,结果表明ACSA在求解函数最优解问题时的高效性。为了对多模态函数寻优,基于免疫克隆选择算法原理,提出了自适应小生境克隆选择算法（ANCSA）。小生境决定位段会随着优化对象的维数及可行域的变化而自动调节,从而形成不同的小生境,每个小生境都具有免疫记忆功能。通过对三个典型的多模态函数仿真,并和相关算法进行比较分析,结果表明ANCSA在解决多模态函数优化问题时具有较强的自适应性和收敛性。结合粒子群算法基本原理,提出一种解决多模态函数优化问题的小生境粒子群算法（NPSA）,通过对NPSA收敛性分析和四个典型的多模态函数寻优问题的仿真实验,并和相关算法仿真比较,结果说明NPSA在解决多模态函数优化问题时的高效性。结合蚁群算法基本原理,设计一种解决多模态函数优化问题的小生境蚁群算法（NACA）,算法采用实数编码,通过对NACA仿真研究,并和相关算法的仿真结果进行比较分析,结果表明NACA具有参数易于选择、适应性强、收敛性好等优点,非常适合于求解同时具有多个最优解或需要搜寻局部最优解的多模态函数优化。
宋卓越[10]（2006）在《人工免疫系统在函数优化和数据聚类中的应用》文中研究指明生物免疫系统是一个具有高度智能的分布协调自适应系统。发展基于生物免疫系统的智能算法,探讨其在工程实际中的应用已成为当前的热点问题。本文对人工免疫系统在优化和数据挖掘方面的理论和应用进行了研究。本文由免疫系统中的抗体浓度抑制原理得到启发,改进了克隆选择算法CLONALG。算法中通过引入抗体的浓度的概念来反映种群中个体的多样性,并依据此参数来自适应调整克隆选择算法中的变异率。与CLONALG和opt-aiNET算法进行比较表明,改进的克隆选择算法在保持较快的优化速度和较强的全局搜索能力的同时,可以有效保持模式多样性,使得算法在多模态函数优化问题上表现出较好的优化结果。本文进一步研究了免疫网络aiNET聚类算法。鉴于此算法是一种非常有效的数据压缩和聚类的方法,本文采用aiNET算法对T-S型模糊神经网络的训练样本进行聚类,确定网络的结构。在确定了网络结构的基础上,采用最小二乘和BP算法优化网络中各参数。以上过程即完成了模糊规则提取过程。为验证算法的有效性,本文分别对三种典型问题进行了仿真。仿真结果表明此模糊规则提取算法可以按照输入输出样本特征信息实现模糊规则的自动提取。因此,此模糊规则提取算法为解决模糊系统设计中由于经验不足,导致难以获取模糊规则的问题,提供了一个可行的方法。
二、基于形状空间的克隆选择算法用于多峰值函数的优化（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于形状空间的克隆选择算法用于多峰值函数的优化（论文提纲范文）
（1）基于免疫多种群的萤火虫算法及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 萤火虫算法的研究与发展 |
| 1.2.2 X射线脉冲星导航的研究进展 |
| 1.2.3 无线传感器网络覆盖问题的研究与发展 |
| 1.3 研究内容及论文结构 |
| 第2章 萤火虫算法及相关理论概述 |
| 2.1 优化问题及其求解方法 |
| 2.1.1 优化问题及其类别 |
| 2.1.2 优化方法及其类别 |
| 2.2 萤火虫算法 |
| 2.2.1 萤火虫算法的理论基础及数学描述 |
| 2.2.2 萤火虫算法的基本步骤及流程描述 |
| 2.2.3 萤火虫算法的参数分析 |
| 2.3 群智能优化算法 |
| 2.3.1 鲸鱼优化算法 |
| 2.3.2 果蝇优化算法 |
| 2.3.3 三种算法的异同点 |
| 2.4 本章小结 |
| 第3章 免疫多种群萤火虫算法及其在多模态函数优化中的应用 |
| 3.1 引言 |
| 3.2 MFO问题及适应度函数 |
| 3.2.1 MFO问题 |
| 3.2.2 适应度函数 |
| 3.3 萤火虫算法的改进 |
| 3.3.1 自适应变步长因子 |
| 3.3.2 多种群进化机制 |
| 3.4 非均匀变异的克隆选择算法 |
| 3.4.1 亲和度函数 |
| 3.4.2 免疫克隆操作 |
| 3.4.3 非均匀变异操作 |
| 3.4.4 免疫选择操作 |
| 3.5 IMPFA算法流程及全局收敛性分析 |
| 3.5.1 IMPFA算法的实现步骤及流程 |
| 3.5.2 全局收敛性分析 |
| 3.6 仿真实验及结果分析 |
| 3.6.1 步长因子实验结果对比 |
| 3.6.2 多模态函数仿真实验及分析 |
| 3.6.3 算法性能比较及分析 |
| 3.7 本章小结 |
| 第4章 基于免疫多种群萤火虫算法的其他应用 |
| 4.1 IMPFA在 X射线脉冲星导航时延估计中的应用 |
| 4.1.1 X射线脉冲星导航及时延估计介绍 |
| 4.1.2 双谱算法的时延估计 |
| 4.1.3 结合IMPFA的双谱时延估计 |
| 4.1.4 算法的基本步骤及流程描述 |
| 4.1.5 实验仿真与分析 |
| 4.2 IMPFA在 WSNS网络覆盖优化中的应用 |
| 4.2.1 无线传感器网络概述 |
| 4.2.2 无线传感器网络覆盖优化问题描述 |
| 4.2.3 基于IMPFA的 WSNs覆盖优化 |
| 4.2.4 实验仿真及分析 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（2）高压输电塔结构地震响应被动—半主动混合控制分析与试验（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 结构智能振动控制理论 |
| 1.3 智能材料在结构振动控制中的应用 |
| 1.3.1 形状记忆合金 |
| 1.3.2 压电材料 |
| 1.4 智能优化及控制算法研究现状 |
| 1.4.1 遗传算法 |
| 1.4.2 人工免疫算法 |
| 1.5 输电塔结构抗震研究现状 |
| 1.5.1 被动控制 |
| 1.5.2 主动控制 |
| 1.5.3 半主动控制 |
| 1.6 本文主要研究内容 |
| 参考文献 |
| 2 混合减震控制系统的设计与性能试验 |
| 2.1 压电堆驱动器 |
| 2.2 SMA丝超弹性性能试验研究 |
| 2.2.1 试验材料与设备 |
| 2.2.2 试验工况 |
| 2.2.3 试验结果与分析 |
| 2.3 混合减震系统设计与工作原理 |
| 2.3.1 构造设计与工作原理 |
| 2.3.2 加工制作 |
| 2.4 能源提供 |
| 2.4.1 光伏发电系统原理 |
| 2.4.2 独立光伏发电系统的设计 |
| 2.5 混合减震控制系统力学性能试验研究 |
| 2.5.1 预压力的施加 |
| 2.5.2 设计参数 |
| 2.5.3 加载方案 |
| 2.5.4 试验结果与分析 |
| 2.6 本章小结 |
| 参考文献 |
| 3 基于遗传算法优化的混合减震系统BP神经网络本构模型 |
| 3.1 遗传算法原理 |
| 3.2 BP神经网络算法原理 |
| 3.3 遗传算法优化的BP神经网络算法 |
| 3.4 基于遗传算法优化的SMABP神经网络本构模型 |
| 3.4.1 确定BP网络结构 |
| 3.4.2 训练样本采集与处理 |
| 3.4.3 仿真结果比较与分析 |
| 3.4.4 确定遗传算法优化参数 |
| 3.5 基于遗传算法优化的混合减震控制系统BP神经网络本构模型 |
| 3.5.1 网络结构 |
| 3.5.2 样本数据 |
| 3.5.3 优化参数 |
| 3.5.4 仿真结果 |
| 3.6 本章小结 |
| 参考文献 |
| 4 基于改进的免疫克隆选择算法的输电塔结构混合减震系统优化配置研究 |
| 4.1 基本免疫克隆选择算法 |
| 4.1.1 基本免疫克隆选择算法的流程 |
| 4.1.2 基本免疫克隆选择算法的存在问题 |
| 4.2 改进的免疫克隆选择算法 |
| 4.2.1 抗体与抗体之间的亲和度 |
| 4.2.2 实数编码 |
| 4.2.3 Logistic混沌序列初始化抗体群 |
| 4.2.4 变异算子的改进 |
| 4.2.5 改进后的免疫克隆算法步骤 |
| 4.3 优化准则 |
| 4.4 混合减震控制系统优化配置算例分析 |
| 4.4.1 优化模型 |
| 4.4.2 优化结果与分析 |
| 4.4.3 优化控制分析 |
| 4.5 本章小结 |
| 参考文献 |
| 5 结构地震响应模糊神经网络控制系统 |
| 5.1 受控系统的状态空间模型 |
| 5.1.1 状态空间的基本概念 |
| 5.1.2 振动控制状态方程 |
| 5.1.3 状态空间模型建立 |
| 5.1.4 控制力位置矩阵建立 |
| 5.2 模糊控制基本原理 |
| 5.3 模糊神经网络控制原理 |
| 5.4 模糊神经网络控制流程 |
| 5.5 模糊神经网络控制系统的设计 |
| 5.5.1 LQR最优主动控制训练样本 |
| 5.5.2 基于自适应模糊神经推理系统的控制仿真 |
| 5.6 算例分析 |
| 5.6.1 模型选取 |
| 5.6.2 生成LQR主动最优控制训练样本 |
| 5.6.3 训练模糊神经推理系统 |
| 5.6.4 模糊神经网络控制仿真分析 |
| 5.7 本章小结 |
| 参考文献 |
| 6 高压输电塔结构地震响应混合减震控制试验研究 |
| 6.1 试验装置与设备 |
| 6.1.1 试验模型 |
| 6.1.2 混合减震控制系统布置与安装 |
| 6.2 试验装置 |
| 6.2.1 试验设备 |
| 6.2.2 驱动电源的设计 |
| 6.2.3 控制系统 |
| 6.3 传感器布置及试验工况 |
| 6.3.1 传感器布置 |
| 6.3.2 试验工况 |
| 6.4 控制流程 |
| 6.5 试验结果与分析 |
| 6.5.1 动力特性分析 |
| 6.5.2 动力反应分析 |
| 6.6 本章小结 |
| 参考文献 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 工作展望 |
| 致谢 |
| 附录 |
（3）基于SMA-压电复合减震系统的电抗器结构地震响应控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 智能混合控制技术 |
| 1.3 智能材料及其在结构振动控制中的应用 |
| 1.3.1 形状记忆合金 |
| 1.3.2 磁流变 |
| 1.3.3 压电陶瓷 |
| 1.3.4 磁致伸缩材料 |
| 1.4 智能复合减振技术研究现状 |
| 1.4.1 SMA复合基础隔震装置 |
| 1.4.2 SMA摩擦复合阻尼器 |
| 1.4.3 其它SMA复合减震装置 |
| 1.4.4 压电陶瓷复合减振装置 |
| 1.4.5 SMA-压电摩擦复合减震装置 |
| 1.5 智能优化方法 |
| 1.5.1 遗传算法 |
| 1.5.2 人工免疫算法 |
| 1.6 电抗器结构的抗震研究现状 |
| 1.6.1 电抗器的种类和功能 |
| 1.6.2 电抗器结构的震害研究 |
| 1.7 本文研究内容 |
| 2 自适应免疫记忆克隆算法 |
| 2.1 生物免疫系统 |
| 2.1.1 免疫系统组成、功能与特点 |
| 2.1.2 免疫系统工作原理 |
| 2.1.3 免疫应答 |
| 2.2 人工免疫算法理论 |
| 2.2.1 AIS算法的描述 |
| 2.2.2 AIS算法的特点 |
| 2.2.3 基本克隆选择算法 |
| 2.3 自适应免疫记忆克隆算法 |
| 2.3.1 亲和度函数构造 |
| 2.3.2 混沌序列初始化抗体群 |
| 2.3.3 变异算子的改进 |
| 2.3.4 实现步骤 |
| 2.4 二维函数测试 |
| 2.4.1 测试函数 |
| 2.4.2 GA的改进 |
| 2.4.3 参数设定 |
| 2.4.4 测试结果与分析 |
| 2.5 本章小结 |
| 3 基于AIMCA的工程结构减震装置优化设计 |
| 3.1 受控结构运动状态方程 |
| 3.1.1 振动控制状态方程 |
| 3.1.2 控制力位置矩阵建立 |
| 3.2 改进的遗传算法 |
| 3.2.1 传统遗传算法交叉与变异 |
| 3.2.2 改进编码方式 |
| 3.2.3 改进交叉算子 |
| 3.2.4 改进变异算子 |
| 3.3 优化准则 |
| 3.4 优化算例 |
| 3.4.1 空间网架模型 |
| 3.4.2 算法参数 |
| 3.4.3 优化结果与分析 |
| 3.5 优化结果控制分析 |
| 3.6 本章小结 |
| 4 SMA-压电摩擦复合减震装置的设计与力学性能试验 |
| 4.1 压电陶瓷驱动器 |
| 4.1.1 工作原理 |
| 4.1.2 使用要求 |
| 4.2 SMA-压电摩擦复合减震装置 |
| 4.2.1 构造设计 |
| 4.2.2 工作原理 |
| 4.2.3 加工制作 |
| 4.3 SMA丝超弹性性能试验 |
| 4.3.1 试验材料与设备 |
| 4.3.2 试验工况 |
| 4.3.3 试验结果与分析 |
| 4.4 SMA-压电摩擦复合减震装置性能试验 |
| 4.4.1 预压力的施加 |
| 4.4.2 设计参数 |
| 4.4.3 加载方案 |
| 4.4.4 试验结果与分析 |
| 4.5 本章小结 |
| 5 基于AIMCA的复合减震装置神经网络本构模型 |
| 5.1 SMA本构模型 |
| 5.1.1 唯象理论模型 |
| 5.1.2 四折线简化模型 |
| 5.2 AIMCA优化BP网络算法 |
| 5.2.1 BP网络算法原理 |
| 5.2.2 BP网络算法的缺点 |
| 5.2.3 AIMCA优化BP网络算法 |
| 5.3 SMA神经网络本构模型 |
| 5.3.1 确定BP网络结构 |
| 5.3.2 训练样本采集与处理 |
| 5.3.3 仿真结果比较与分析 |
| 5.4 AIMCA优化的复合减震装置BP网络本构模型 |
| 5.4.1 网络结构 |
| 5.4.2 样本数据 |
| 5.4.3 优化参数 |
| 5.4.4 仿真结果 |
| 5.5 本章小结 |
| 6 SMA-压电摩擦复合减震装置的减震性能分析 |
| 6.1 BOUC-WEN恢复力模型 |
| 6.2 非线性结构振动控制运动状态方程 |
| 6.3 控制策略 |
| 6.3.1 控制过程 |
| 6.3.2 模糊控制器设计 |
| 6.4 算例分析 |
| 6.4.1 地震波选取 |
| 6.4.2.单自由度弹性结构 |
| 6.4.3.非线性结构分析 |
| 6.5 本章小结 |
| 7 干式空心电抗器结构减震控制试验 |
| 7.0 试验模型 |
| 7.1 减震装置安装 |
| 7.2 试验装置及设备 |
| 7.2.1 振动台系统 |
| 7.2.3 仿真控制系统 |
| 7.3 传感器布置及试验工况 |
| 7.3.1 传感器布置 |
| 7.3.2 试验工况 |
| 7.4 控制流程 |
| 7.5 试验结果与分析 |
| 7.5.1 动力特性分析 |
| 7.5.2 动力反应分析 |
| 7.5.3 试验与仿真对比 |
| 7.6 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论 |
| 8.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表论文情况 |
| 攻读博士期间参与科研项目情况 |
| 专利申请情况 |
（4）多目标进化算法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 进化论与进化计算 |
| 1.2.1 进化论 |
| 1.2.2 从生物进化到进化计算 |
| 1.2.3 进化计算 |
| 1.3 多目标优化问题与进化算法 |
| 1.3.1 多目标优化问题的基本概念 |
| 1.3.2 多目标优化问题的发展简史 |
| 1.3.3 多目标进化算法的研究现状 |
| 1.3.4 设计多目标进化算法的目标 |
| 1.4 本论文的内容安排 |
| 本章参考文献 |
| 第二章 基于AER模型的多目标微粒群算法 |
| 2.1 引言 |
| 2.2 一种新型的改进的微粒群算法 |
| 2.3 用于多目标优化的AER模型 |
| 2.3.1 智能体的基本概念 |
| 2.3.2 用于多目标优化的AER模型 |
| 2.4 智能体进化算子设计 |
| 2.4.1 智能粒子的行为 |
| 2.4.2 最优粒子的更新和选取方法 |
| 2.5 算法性能的定量度量方法 |
| 2.6 实验结果与分析 |
| 本章参考文献 |
| 第三章 基于协同进化的多目标微粒群算法 |
| 3.1 从协同进化论到协同进化算法 |
| 3.1.1 协同进化论 |
| 3.1.2 协同进化算法 |
| 3.2 标准微粒群优化算法分析 |
| 3.2.1 基本概念 |
| 3.2.2 微粒群优化算法分析 |
| 3.3 几个主要进化算子的设计 |
| 3.3.1 最优位置的更新 |
| 3.3.2 协作算子 |
| 3.3.3 竞争变异算子 |
| 3.3.4 全局最优位置的选择方法 |
| 3.4 算法性能的度量 |
| 3.5 实验结果与分析 |
| 本章参考文献 |
| 第四章 多目标进化算法的收敛性分析及性能度量 |
| 4.1 多目标进化算法的收敛性分析 |
| 4.1.1 引言 |
| 4.1.2 多目标进化算法的收敛性分析 |
| 4.2 多目标进化算法的性能度量 |
| 4.2.1 引言 |
| 4.2.2 几种常见的度量方法 |
| 4.2.3 一种改进的多目标进化算法的性能度量方法 |
| 4.2.4 实验结果与分析 |
| 本章参考文献 |
| 第五章 用于约束优化问题的双群体差分进化算法 |
| 5.1 进化算法与约束优化问题 |
| 5.2 约束处理算法 |
| 5.2.1 基于罚函数的约束处理技术 |
| 5.2.2 基于多目标优化技术的约束处理算法 |
| 5.2.3 混合约束处理技术 |
| 5.3 基于双群体的差分进化算法用于多目标约束优化问题 |
| 5.3.1 差分进化算法 |
| 5.3.2 基于双群体的差分进化算法 |
| 5.3.3 性能衡量 |
| 5.3.4 实验结果与分析 |
| 5.4 基于双群体的差分进化算法用于单目标约束优化问题 |
| 5.4.1 基于双群体的差分进化算法 |
| 5.4.2 实验结果与分析 |
| 本章参考文献 |
| 第六章 多目标优化技术在图像处理中的应用 |
| 6.1 数字图像色调处理技术 |
| 6.2 基于多目标优化技术的灰度图像半色调技术 |
| 6.2.1 群体初始化 |
| 6.2.2 二维进化算子设计 |
| 6.2.3 色调图像像素点灰度估计 |
| 6.2.4 实验结果与分析 |
| 6.3 彩色图像量化技术 |
| 6.3.1 基于直方图的群体初始化方法 |
| 6.3.2 差分进化算法 |
| 6.3.3 基于差分进化算法和K-mean聚类的调色板构造算法 |
| 6.3.4 色调处理 |
| 6.3.5 实验结果与分析 |
| 本章参考文献 |
| 第七章 求解多峰函数优化问题的进化算法 |
| 7.1 多峰函数优化问题与进化算法 |
| 7.2 多峰函数优化的相关工作 |
| 7.2.1 基于排挤模型的多峰优化方法 |
| 7.2.2 基于适应值共享模型的多峰优化方法 |
| 7.3 基于免疫的遗传算法用于多峰函数优化问题 |
| 7.3.1 几个主要算子的设计 |
| 7.3.2 实验结果与分析 |
| 7.4 基于克隆选择的多峰极值遗传搜索算法 |
| 7.4.1 人工克隆选择算法 |
| 7.4.2 克隆选择算法的基本概念 |
| 7.4.3 求解多峰优化问题的新型克隆选择算法 |
| 7.4.4 群体规模与聚类半径自适应修正算子 |
| 7.4.5 一种新的评价多峰进化算法性能的度量方法 |
| 7.4.6 实验结果与分析 |
| 本章参考文献 |
| 结束语 |
| 致谢 |
| 在读期间(合作)发表与撰写的学术论文 |
| 在读期间参加的科研项目 |
（5）改进的克隆选择优化算法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 人工免疫系统（AIS）的发展历史及研究现状 |
| 1.2.1 人工免疫系统的生物学基础 |
| 1.2.2 人工免疫系统理论的发展概况 |
| 1.3 基于人工免疫系统的优化算法 |
| 1.3.1 人工免疫系统与优化算法之间的关系 |
| 1.3.2 免疫优化算法的研究现状 |
| 1.4 本文主要内容 |
| 第二章 人工免疫系统与免疫优化机理 |
| 2.1 人工免疫系统的免疫机理 |
| 2.2 人工免疫系统的优化机理 |
| 2.2.1 问题的提出 |
| 2.2.2 免疫优化机理 |
| 2.2.3 基于人工免疫系统的优化算法的四大类 |
| 2.2.4 常见的免疫优化算法 |
| 2.3 人工免疫系统中几个基本概念 |
| 2.4 本章小结 |
| 第三章 克隆选择算法 |
| 3.1 克隆选择原理 |
| 3.2 克隆选择的基本特点 |
| 3.3 克隆选择在优化中的应用 |
| 3.4 克隆选择算法模型 |
| 3.4.1 算法的描述 |
| 3.4.2 CLONALG 算法的具体步骤 |
| 3.4.3 实例仿真分析 |
| 3.5 本章小结 |
| 第四章 克隆选择算法在多峰值函数优化中的应用 |
| 4.1 多峰函数优化 |
| 4.2 CLONALG 算法的不足 |
| 4.3 改进的克隆选择算法 |
| 4.4 改进的CLONALG 算法的主要步骤 |
| 4.5 仿真试验及结果分析 |
| 4.5.1 试验方案 |
| 4.5.2 算法参数设置 |
| 4.5.3 仿真试验结果及分析 |
| 4.6 本章小结 |
| 第五章 克隆选择算法在动态路径优化中的应用 |
| 5.1 经典的路径诱导理论基础及相关算法 |
| 5.1.1 路径诱导理论基础 |
| 5.1.2 传统最短路径优化算法简介 |
| 5.2 一种基于实时交通信息的动态路径选择算法 |
| 5.2.1 交通路网结构 |
| 5.2.2 动态路径选择的多目标规划模型 |
| 5.2.3 多目标规划模型求解 |
| 5.2.4 动态路径选择问题的克隆选择算法的设计与实现 |
| 5.3 算法的时间复杂度分析 |
| 5.4 行驶路径动态调整 |
| 5.5 仿真试验及结果分析 |
| 5.5.1 实验方案 |
| 5.5.2 算法的参数设定 |
| 5.5.3 动态路径规划的计算过程 |
| 5.6 本章小结 |
| 总结 |
| 参考文献 |
| 致谢 |
| 附录 攻读硕士学位期间发表的学术论文 |
（6）人工免疫算法的基础研究及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 研究动机与研究内容 |
| 1.3 国内外研究现状 |
| 1.3.1 人工免疫模型 |
| 1.3.2 人工免疫算法 |
| 1.3.3 免疫算法应用与研究方向 |
| 1.4 论文安排 |
| 第二章 遗传算法概述 |
| 2.1 遗传算法 |
| 2.1.1 遗传算法基本流程 |
| 2.1.2 遗传算法的特点 |
| 2.1.3 遗传算法的应用 |
| 2.2 遗传算法的改进 |
| 2.3 并行遗传算法 |
| 2.4 本章小结 |
| 第三章 免疫遗传算法 |
| 3.1 基于信息熵的免疫遗传算法 |
| 3.2 基于欧氏距离的免疫遗传算法 |
| 3.3 一种改进的免疫遗传算法 |
| 3.3.1 改进的免疫遗传算法中的几个重要定义 |
| 3.3.2 精英保留策略 |
| 3.3.3 精英交叉策略 |
| 3.3.4 改进的免疫遗传算法 |
| 3.3.5 IIGAE算法的全局收敛性分析 |
| 3.4 实验研究及讨论 |
| 3.4.1 测试函数 |
| 3.4.3 IIGAE与其他算法性能的比较 |
| 3.5 本章小结 |
| 第四章 克隆选择算法及其改进 |
| 4.1 克隆选择学说 |
| 4.1.1 克隆选择的原理 |
| 4.1.2 克隆选择的特点 |
| 4.2 克隆选择算法 |
| 4.2.1 克隆选择算法的流程 |
| 4.2.2 克隆选择算法的特点 |
| 4.2.3 克隆选择算法的缺陷 |
| 4.3 克隆选择算法的改进 |
| 4.3.1 小生境技术 |
| 4.3.2 自适应混沌变异算子 |
| 4.3.3 一种改进的克隆选择算法 |
| 4.4 仿真实验研究 |
| 4.4.1 测试函数 |
| 4.4.2 算法参数设置 |
| 4.4.3 算法性能比较 |
| 4.5 本章小结 |
| 第五章 人工免疫网络及其改进 |
| 5.1 人工免疫网络 opt-aiNet算法 |
| 5.1.1 免疫网络 |
| 5.1.2 opt-aiNet算法步骤 |
| 5.1.3 opt-aiNet算法分析 |
| 5.1.4 opt-aiNet的特点 |
| 5.1.5 opt-aiNet存在的问题 |
| 5.2 一种改进的人工免疫网络 opt-aiNet算法 |
| 5.2.1 混沌免疫网络 |
| 5.2.2 改进的面向多模态函数优化问题的混沌opt-aiNet算法 |
| 5.2.3 改进的算法特性分析 |
| 5.3 仿真试验 |
| 5.3.1 典型测试函数 |
| 5.3.2 算法参数设置 |
| 5.3.3 改进的opt-aiNet算法的性能分析 |
| 5.4 本章小结 |
| 第六章 免疫算法在 PID控制器参数优化设计中的应用 |
| 6.1 PID控制器 |
| 6.1.1 PID基本原理 |
| 6.1.2 PID控制器的特点 |
| 6.1.3 PID整定 |
| 6.2 基于免疫算法的 PID控制器优化设计 |
| 6.2.1 编码、解码和适应度函数设计 |
| 6.2.2 优化问题描述和 PID增益参数优化的仿真结构 |
| 6.2.3 基于免疫算法的 PID控制器优化设计步骤 |
| 6.2.4 控制系统的稳定性问题 |
| 6.3 计算机仿真实验及结果分析 |
| 6.3.1 实验对象选取和算法参数确定 |
| 6.3.2 四种 PID控制器性能的比较 |
| 6.4 本章小结 |
| 第七章 工作总结和展望 |
| 7.1 工作总结 |
| 7.1.1 免疫遗传算法的改进 |
| 7.1.2 克隆选择算法的改进 |
| 7.1.3 人工免疫网络的改进 |
| 7.1.4 PID控制器参数优化的改进 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 发表论文 |
（7）基于免疫的智能优化算法理论及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 1 绪论 |
| 1.1 论文研究的背景与意义 |
| 1.2 智能优化算法 |
| 1.2.1 进化算法 |
| 1.2.2 群智能算法 |
| 1.2.3 其它优化算法 |
| 1.3 人工免疫算法研究综述 |
| 1.3.1 生物免疫系统概述 |
| 1.3.2 人工免疫系统的研究现状 |
| 1.3.3 基于免疫原理的智能算法 |
| 1.3.4 人工免疫算法理论研究 |
| 1.3.5 人工免疫算法应用研究 |
| 1.4 本文研究的主要内容和结构 |
| 2 基于免疫学习机制的遗传算法及其应用 |
| 2.1 引言 |
| 2.2 标准遗传算法 |
| 2.2.1 标准遗传算法的构成要素 |
| 2.2.2 遗传算法的优点及存在的问题 |
| 2.3 免疫系统的仿生机理 |
| 2.4 基于免疫学习机制的遗传算法 |
| 2.4.1 免疫算子 |
| 2.4.2 强化学习策略 |
| 2.4.3 弱小保护策略 |
| 2.4.4 算法的步骤 |
| 2.4.5 算法的收敛性 |
| 2.4.6 标准函数的仿真实验 |
| 2.5 三自由度飞行器模型系统 |
| 2.5.1 三自由度飞行器模型的硬件系统 |
| 2.5.2 三自由度飞行器模型系统的数学模型 |
| 2.5.3 系统的内在特性分析 |
| 2.6 三自由度飞行器模型系统的稳态控制 |
| 2.6.1 基于RBF网络整定的PID控制器 |
| 2.6.2 基于ILGA的RBF网络参数优化 |
| 2.6.3 实时控制分析 |
| 2.7 本章小结 |
| 3 基于特异性免疫策略的遗传算法及其应用 |
| 3.1 引言 |
| 3.2 小生境技术 |
| 3.3 基于特异性免疫策略的遗传算法 |
| 3.3.1 算法的基本思想 |
| 3.3.2 清除技术 |
| 3.3.3 自适应遗传算子 |
| 3.3.4 特异性免疫策略 |
| 3.3.5 算法的步骤 |
| 3.3.6 算法的收敛性 |
| 3.4 标准函数的仿真试验 |
| 3.5 二级倒立摆系统 |
| 3.5.1 倒立摆控制技术研究状况 |
| 3.5.2 倒立摆系统的组成 |
| 3.5.3 二级倒立摆系统建模 |
| 3.5.4 二级倒立摆系统可控性分析 |
| 3.6 二级倒立摆系统的控制 |
| 3.6.1 模糊神经网络控制器结构 |
| 3.6.2 FNN参数的优化 |
| 3.6.3 实时控制分析 |
| 3.7 本章小结 |
| 4 基于双变异算子的免疫规划 |
| 4.1 引言 |
| 4.2 进化规划 |
| 4.2.1 进化规划的组成与特点 |
| 4.2.2 进化规划存在的主要问题 |
| 4.3 基于双变异算子的免疫规划 |
| 4.3.1 算法的基本思想 |
| 4.3.2 双变异算子 |
| 4.3.3 基于浓度的q竞争策略 |
| 4.3.4 记忆保护策略 |
| 4.3.5 弱小保护策略 |
| 4.3.6 算法的步骤 |
| 4.4 算法的理论分析 |
| 4.4.1 算法的性能分析 |
| 4.4.2 算法的收敛性 |
| 4.4.3 计算复杂度分析 |
| 4.5 标准函数的仿真试验 |
| 4.6 主要参数对算法的影响 |
| 4.7 本章小结 |
| 5 基于双变异算子的免疫网络算法 |
| 5.1 引言 |
| 5.2 多峰优化 |
| 5.2.1 多峰优化问题 |
| 5.2.2 多峰优化算法的研究 |
| 5.3 生物免疫系统的两个重要学说 |
| 5.3.1 克隆选择学说 |
| 5.3.2 免疫网络调节学说 |
| 5.4 基于双变异算子的免疫网络算法 |
| 5.4.1 算法的基本思想 |
| 5.4.2 双变异算子 |
| 5.4.3 克隆抑制 |
| 5.4.4 网络的动态平衡 |
| 5.4.5 算法的步骤 |
| 5.5 算法的理论分析 |
| 5.5.1 算法的收敛性 |
| 5.5.2 计算复杂度分析 |
| 5.6 仿真实验 |
| 5.6.1 典型多峰函数优化 |
| 5.6.2 结果分析 |
| 5.7 主要参数对算法的影响 |
| 5.8 本章小结 |
| 6 免疫粒子群算法及应用 |
| 6.1 引言 |
| 6.2 粒子群算法 |
| 6.2.1 PSO基本原理 |
| 6.2.2 算法流程 |
| 6.2.3 两种标准粒子群优化算法 |
| 6.2.4 PSO的局限性 |
| 6.3 用于多峰函数优化的免疫粒子群网络算法 |
| 6.3.1 算法的基本思想 |
| 6.3.2 改进的粒子群优化 |
| 6.3.3 粒子群的网络抑制 |
| 6.3.4 网络的动态平衡 |
| 6.3.5 算法的步骤 |
| 6.4 仿真实验 |
| 6.4.1 典型多峰函数优化 |
| 6.4.2 结果分析 |
| 6.5 无线传感器的覆盖问题 |
| 6.5.1 覆盖涉及的基本概念 |
| 6.5.2 简单覆盖模型 |
| 6.6 无线传感器网络的覆盖控制优化策略 |
| 6.6.1 平面覆盖模型的描述 |
| 6.6.2 基于免疫粒子群算法的覆盖优化机制 |
| 6.6.3 仿真实验 |
| 6.7 小结 |
| 7 结束语 |
| 7.1 本文主要研究成果 |
| 7.2 需进一步研究的问题 |
| 致谢 |
| 攻读博士学位期间论文发表 |
| 参考文献 |
（8）免疫克隆选择算法应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 人工免疫系统 |
| 1.3 克隆选择算法 |
| 1.3.1 克隆选择理论 |
| 1.3.2 克隆选择算法应用研究 |
| 1.4 本文主要工作 |
| 第2章 基于免疫网络克隆优化算法的函数优化 |
| 2.1 基于人工免疫原理与克隆选择算法的函数优化 |
| 2.1.1 基于免疫基本原理的优化研究 |
| 2.1.2 基于独特性网络理论的优化研究 |
| 2.1.3 基于免疫克隆选择算法的函数优化 |
| 2.2 基本克隆选择算法 |
| 2.3 免疫网络克隆优化算法 |
| 2.3.1 免疫网络克隆优化算法设计 |
| 2.3.2 免疫网络克隆优化算法实现 |
| 2.3.3 克隆算子设计 |
| 2.4 实验结果及算法性能分析 |
| 2.4.1 联立非线性方程组求解 |
| 2.4.2 多峰值函数 |
| 2.4.3 免疫网络克隆优化算法性能分析 |
| 2.5 本章小结 |
| 第3章 基于简单克隆选择算法优化PID控制参数 |
| 3.1 基于人工免疫理论的控制问题研究 |
| 3.2 基于人工免疫理论优化PID控制参数 |
| 3.3 简单克隆选择算法 |
| 3.3.1 简单克隆选择算法设计 |
| 3.3.2 简单克隆选择算法实现 |
| 3.4 单级倒立摆控制系统模型 |
| 3.5 单级倒立摆PID控制参数优化结果 |
| 3.5.1 最优目标函数J优化结果 |
| 3.5.2 算法稳定性、收敛速度分析 |
| 3.5.3 单级倒立摆PID控制效果仿真 |
| 3.5.4 单级倒立摆PID实时控制 |
| 3.5.5 算法运行时间 |
| 3.6 一阶延迟模型PID控制参数优化 |
| 3.6.1 六阶函数及其FOLPD数学拟合 |
| 3.6.2 PID控制参数优化结果 |
| 3.6.3 六阶函数对象PID控制仿真 |
| 3.7 本章小结 |
| 第4章 基于小生境自适应克隆启发算法的作业调度 |
| 4.1 作业调度与免疫调度 |
| 4.1.1 作业调度指标与模型 |
| 4.1.2 基于人工免疫理论的作业调度 |
| 4.2 优先分配启发式算法 |
| 4.2.1 活动调度、半活动调度与无延迟调度 |
| 4.2.2 优先分配启发式算法实现 |
| 4.3 自适应克隆启发算法 |
| 4.3.1 自适应克隆启发算法设计 |
| 4.3.2 自适应克隆启发算法实现 |
| 4.3.3 实验结果及算法性能分析 |
| 4.4 小生境自适应克隆启发算法 |
| 4.4.1 小生境自适应克隆启发算法设计 |
| 4.4.2 小生境自适应克隆启发算法实现 |
| 4.4.3 实验结果及算法性能分析 |
| 4.5 本章小结 |
| 第5章 抗体记忆克隆聚类算法 |
| 5.1 聚类 |
| 5.1.1 传统聚类方法 |
| 5.1.2 人工免疫系统聚类方法 |
| 5.2 抗体记忆克隆聚类算法 |
| 5.2.1 抗体记忆克隆聚类算法设计 |
| 5.2.2 抗体记忆克隆聚类算法实现 |
| 5.2.3 聚类质量评价 |
| 5.3 实验结果及算法性能分析 |
| 5.3.1 聚类问题与实验参数 |
| 5.3.2 聚类结果 |
| 5.3.3 抗体记忆克隆聚类算法性能分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（9）群智能算法及其在函数优化中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 研究课题的背景和意义 |
| 1.2 群智能算法的研究进展 |
| 1.2.1 遗传算法的研究进展 |
| 1.2.2 免疫算法的研究进展 |
| 1.2.3 粒子群算法的研究进展 |
| 1.2.4 蚁群算法的研究进展 |
| 1.3 群智能算法的共同特点 |
| 1.4 本文的研究内容 |
| 1.5 本文的组织结构 |
| 2 基于自适应遗传算法的函数优化 |
| 2.1 遗传算法理论概述 |
| 2.1.1 遗传算法常用术语 |
| 2.1.2 遗传算法基本要素 |
| 2.1.3 遗传算法基本理论 |
| 2.2 标准遗传算法(SGA) |
| 2.2.1 遗传算法及流程图 |
| 2.2.2 遗传算法有关参数的确定 |
| 2.2.3 遗传算法的特点 |
| 2.2.4 遗传算法的应用 |
| 2.2.5 遗传算法的不足 |
| 2.3 自适应遗传算法(AGA) |
| 2.3.1 算子改进 |
| 2.3.2 算法特点 |
| 2.3.3 算法步骤 |
| 2.3.4 参数设置分析 |
| 2.4 算法仿真 |
| 2.4.1 测试函数 |
| 2.4.2 评价标准 |
| 2.4.3 参数取值 |
| 2.4.4 测试结果 |
| 2.5 本章小结 |
| 3 基于免疫克隆选择算法的函数优化 |
| 3.1 引言 |
| 3.2 克隆选择算法原理 |
| 3.2.1 克隆选择的基本概念 |
| 3.2.2 标准克隆选择算法 |
| 3.2.3 免疫克隆选择算法在函数优化中的应用 |
| 3.3 克隆选择算法的收敛性分析 |
| 3.3.1 克隆选择算法的马尔可夫链模型 |
| 3.3.2 CSA收敛性分析 |
| 3.4 自适应克隆选择算法 |
| 3.4.1 算法描述 |
| 3.4.2 算法特点 |
| 3.4.3 算法步骤 |
| 3.4.4 仿真分析 |
| 3.4.5 结论 |
| 3.5 自适应小生境克隆选择算法 |
| 3.5.1 算法描述 |
| 3.5.2 算法步骤 |
| 3.5.3 参数设置分析 |
| 3.5.4 算法仿真 |
| 3.5.5 结论 |
| 3.6 本章小结 |
| 4 基于粒子群算法的函数优化 |
| 4.1 引言 |
| 4.2 粒子群算法基本原理 |
| 4.2.1 基本粒子群算法 |
| 4.2.2 粒子群算法的参数设置 |
| 4.2.3 粒子群算法特点 |
| 4.3 实数编码的小生境粒子群算法 |
| 4.3.1 算法改进 |
| 4.3.2 算法描述 |
| 4.4 NPSA收敛性分析 |
| 4.5 仿真分析 |
| 4.5.1 测试函数 |
| 4.5.2 评价标准 |
| 4.5.3 参数取值 |
| 4.5.4 测试结果 |
| 4.5.5 参数研究 |
| 4.6 本章小结 |
| 5 基于蚁群算法的函数优化 |
| 5.1 引言 |
| 5.2 蚁群算法(ACA)基本原理和模型 |
| 5.2.1 蚁群算法的生物学基础 |
| 5.2.2 蚁群算法的基本思想 |
| 5.2.3 蚁群算法的优缺点 |
| 5.3 简单蚁群算法及其收敛性分析 |
| 5.3.1 简单蚁群算法描述 |
| 5.3.2 收敛性分析 |
| 5.4 实数编码的小生境蚁群算法(NACA) |
| 5.4.1 算法思想 |
| 5.4.2 算法描述 |
| 5.5 仿真分析 |
| 5.5.1 测试函数 |
| 5.5.2 评价标准 |
| 5.5.3 参数取值 |
| 5.5.4 测试结果 |
| 5.5.5 参数研究 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间主要科研成果 |
（10）人工免疫系统在函数优化和数据聚类中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 免疫系统与优化计算 |
| 1.2.1 优化问题描述 |
| 1.2.2 免疫优化的研究现状分析 |
| 1.3 人工免疫系统在数据挖掘中的研究现状 |
| 1.3.1 分类问题和聚类问题描述 |
| 1.3.2 人工免疫系统用于聚类、分类的研究现状 |
| 1.4 模糊神经网络规则提取的研究现状和分析 |
| 1.4.1 将聚类算法引入模糊神经网络中的原因 |
| 1.4.2 用聚类方法提取模糊规则的研究现状 |
| 1.5 本文研究的主要内容和结构 |
| 1.5.1 本文研究的主要内容 |
| 1.5.2 本文的结构 |
| 第2章 生物免疫系统和人工免疫系统 |
| 2.1 引言 |
| 2.2 生物免疫系统的基本概念 |
| 2.2.1 免疫和免疫应答 |
| 2.2.2 免疫细胞 |
| 2.2.3 抗体、抗原、亲和力 |
| 2.3 人工免疫系统(AIS)的含义 |
| 2.4 人工免疫系统(AIS)的仿生机理 |
| 2.4.1 免疫识别 |
| 2.4.2 免疫学习和记忆 |
| 2.4.3 克隆选择原理 |
| 2.4.4 抗体多样性 |
| 2.4.5 免疫网络学说 |
| 2.4.6 抗体浓度抑制 |
| 2.5 生物免疫系统对人工免疫系统研究的启示 |
| 2.6 本章小结 |
| 第3章 改进的克隆选择算法及在多模态优化中的应用 |
| 3.1 引言 |
| 3.2 克隆选择原理特点 |
| 3.3 免疫算法CLONALG和opt-aiNET |
| 3.3.1 克隆选择算法CLONALG |
| 3.3.2 免疫算法opt-aiNET |
| 3.3.3 CLONALG和opt-aiNET不足之处 |
| 3.4 改进的克隆选择算法及其在多模态优化中的应用 |
| 3.4.1 算法描述 |
| 3.4.2 仿真比较 |
| 3.5 本章小结 |
| 第4章 人工免疫网络aiNET |
| 4.1 引言 |
| 4.2 aiNET网络模型 |
| 4.2.1 符号定义 |
| 4.2.2 算法描述 |
| 4.2.3 知识获取和学习后的ai_NET结构 |
| 4.3 仿真 |
| 4.4 本章小结 |
| 第5章 基于ai-NET的T-S型模糊神经网络规则提取 |
| 5.1 引言 |
| 5.2 T-S型模糊神经网络结构 |
| 5.3 T-S型模糊神经网络规则提取 |
| 5.3.1 结构辨识方法 |
| 5.3.2 参数辨识方法 |
| 5.4 仿真 |
| 5.4.1 非线性动态系统辨识 |
| 5.4.2 时间序列信号预测 |
| 5.4.3 倒立摆平衡控制仿真 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
四、基于形状空间的克隆选择算法用于多峰值函数的优化（论文参考文献）
- [1]基于免疫多种群的萤火虫算法及其应用[D]. 周久芳. 湖南大学, 2019(07)
- [2]高压输电塔结构地震响应被动—半主动混合控制分析与试验[D]. 余滨杉. 西安建筑科技大学, 2018(06)
- [3]基于SMA-压电复合减震系统的电抗器结构地震响应控制研究[D]. 展猛. 西安建筑科技大学, 2017(06)
- [4]多目标进化算法及其应用研究[D]. 孟红云. 西安电子科技大学, 2005(04)
- [5]改进的克隆选择优化算法及其应用研究[D]. 杨秋实. 长沙理工大学, 2008(01)
- [6]人工免疫算法的基础研究及其应用[D]. 江斌. 中南大学, 2008(01)
- [7]基于免疫的智能优化算法理论及应用研究[D]. 薛文涛. 南京理工大学, 2008(12)
- [8]免疫克隆选择算法应用研究[D]. 徐立芳. 哈尔滨工程大学, 2008(06)
- [9]群智能算法及其在函数优化中的应用研究[D]. 唐超礼. 安徽理工大学, 2007(07)
- [10]人工免疫系统在函数优化和数据聚类中的应用[D]. 宋卓越. 哈尔滨工业大学, 2006(04)