智能优化方法之免疫算法

最新推荐文章于 2024-07-24 22:13:06 发布

yanxiaoyu110

最新推荐文章于 2024-07-24 22:13:06 发布

阅读量91

点赞数 1

分类专栏：智能优化算法学习文章标签：算法 matlab 开发语言

本文链接：https://blog.csdn.net/qq_36714950/article/details/131342131

版权

智能优化算法学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

智能优化方法之免疫算法

0. 概念与问题对应

抗原->待优化问题
抗体->问题可行解
个体浓度、免疫细胞与抗原的亲和度（抗体评价）->可行解质量
免疫选择、克隆、变异、克隆抑制、种群刷新->寻优搜索

<1> 基于欧式距离的抗体亲和度计算方法

$aff(ab_i,ab_j)=\sqrt{\sum_{k=1}^{L}(ab_{i,k}-ab_{j,k})^2}$
式中， $ab_{i,k}$ 表示可行解 $i$ 的第 $k$ 维； $ab_{j,k}$ 表示可行解 $j$ 的第 $k$ 维； $L$ 表示可行解的总维数

<2> 抗体浓度评价算子

$den(ab_i)=1/N*\sum_{j=1}^NS(ab_i,ab_j)$
式中， $N$ 为可行解规模， $S(ab_i,ab_j)$ 表示可行解之间的相似度，表示为
$S(ab_i,ab_j)=\begin{cases} 1&aff(ab_i,ab_j)<\delta_s\\ 0&aff(ab_i,ab_j)\geq\delta_s \end{cases}$
其中 $ab_i$ 为可行解规模中的第 $i$ 个可行解， $aff(ab_i,ab_j)$ 为可行解 $i$ 和可行解 $j$ 之间的亲和度； $\delta_s$ 为相似度阈值
值得注意的是，抗体浓度计算是为了保证可行解的多样性以及全局搜索。

<3> 变异算子

描述为
$T_m(ab_{i,j,m}=\begin{cases} ab_{i,j,m}+(rand-0.5)*\delta & rand<p_m\\ ab_{i,j,m}&其他 \end{cases}$
其中， $ab_{i,j,m}$ 表示可行解 $ab_i$ 的第 $m$ 个克隆体的第 $j$ 维, $\delta$ 表示邻域的范围，这里的 $\delta$ 是需要非常值得注意的算法的早期阶段进行广泛的搜索，以便更好地探索解空间并找到全局最优解的大致位置。随着进化代数的增加，邻域范围逐渐缩小，以便在后续阶段更加集中和精确地搜索最优解的局部区域； $p_m$ 表示变异概率

<4> MATLAB代码

%%%%%%%%%%%%%%%%%免疫算法求函数最小值%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%
clear all;                                %清除所有变量
% close all;                                %清图
clc;                                      %清屏
D=10;                                     %免疫个体维数
NP=200;                                   %免疫个体数目
Xs=20;                                    %取值上限
Xx=-20;                                   %取值下限
G=500;                                    %最大免疫代数
pm=0.7;                                   %变异概率
alfa=1;                                   %激励度系数
belta=1;                                  %激励度系数   
detas=0.2;                                %相似度阈值
gen=0;                                    %免疫代数
Ncl=10;                                   %克隆个数
deta0=1*Xs;                               %邻域范围初值
%%%%%%%%%%%%%%%%%%%%%%%初始种群%%%%%%%%%%%%%%%%%%%%%%%%
f=rand(D,NP)*(Xs-Xx)+Xx;
for np=1:NP
    MSLL(np)=func1(f(:,np));
end
%%%%%%%%%%%%%%%%%计算个体浓度和激励度%%%%%%%%%%%%%%%%%%%
for np=1:NP
    for j=1:NP     
        nd(j)=sum(sqrt((f(:,np)-f(:,j)).^2));
        if nd(j)<detas
            nd(j)=1;
        else
            nd(j)=0;
        end
    end
    ND(np)=sum(nd)/NP;
end
MSLL =  alfa*MSLL- belta*ND;
%%%%%%%%%%%%%%%%%%%激励度按升序排列%%%%%%%%%%%%%%%%%%%%%%
[SortMSLL,Index]=sort(MSLL);
Sortf=f(:,Index);
%%%%%%%%%%%%%%%%%%%%%%%%免疫循环%%%%%%%%%%%%%%%%%%%%%%%%
while gen<G
    for i=1:NP/2
        %%%%%%%%选激励度前NP/2个体进行免疫操作%%%%%%%%%%%
        a=Sortf(:,i);
        Na=repmat(a,1,Ncl);
        deta=deta0/gen;
% deta=deta0;
        for j=1:Ncl
            for ii=1:D
                %%%%%%%%%%%%%%%%%变异%%%%%%%%%%%%%%%%%%%
                if rand<pm
                    Na(ii,j)=Na(ii,j)+(rand-0.5)*deta;
                end
                %%%%%%%%%%%%%%边界条件处理%%%%%%%%%%%%%%%
                if (Na(ii,j)>Xs)  |  (Na(ii,j)<Xx)
                    Na(ii,j)=rand * (Xs-Xx)+Xx;
                end
            end
        end
        Na(:,1)=Sortf(:,i);               %保留克隆源个体
        %%%%%%%%%%克隆抑制，保留亲和度最高的个体%%%%%%%%%%
        for j=1:Ncl
            NaMSLL(j)=func1(Na(:,j));
        end
        [NaSortMSLL,Index]=sort(NaMSLL);
        aMSLL(i)=NaSortMSLL(1);
        NaSortf=Na(:,Index);
        af(:,i)=NaSortf(:,1);
    end 
    %%%%%%%%%%%%%%%%%%%%免疫种群激励度%%%%%%%%%%%%%%%%%%%
    for np=1:NP/2
        for j=1:NP/2
            nda(j)=sum(sqrt((af(:,np)-af(:,j)).^2));         
            if nda(j)<detas
                nda(j)=1;
            else
                nda(j)=0;
            end
        end
        aND(np)=sum(nda)/NP/2;
    end
    aMSLL =  alfa*aMSLL-  belta*aND;
    %%%%%%%%%%%%%%%%%%%%%%%种群刷新%%%%%%%%%%%%%%%%%%%%%%%
    bf=rand(D,NP/2)*(Xs-Xx)+Xx;
    for np=1:NP/2
        bMSLL(np)=func1(bf(:,np));
    end
    %%%%%%%%%%%%%%%%%%%新生成种群激励度%%%%%%%%%%%%%%%%%%%%
    for np=1:NP/2
        for j=1:NP/2
            ndc(j)=sum(sqrt((bf(:,np)-bf(:,j)).^2));
            if ndc(j)<detas
                ndc(j)=1;
            else
                ndc(j)=0;
            end
        end
        bND(np)=sum(ndc)/NP/2;
    end
    bMSLL =  alfa*bMSLL-  belta*bND;
    %%%%%%%%%%%%%%免疫种群与新生种群合并%%%%%%%%%%%%%%%%%%%
    f1=[af,bf];
    MSLL1=[aMSLL,bMSLL];
    [SortMSLL,Index]=sort(MSLL1);
    Sortf=f1(:,Index);
    gen=gen+1;
    trace(gen)=func1(Sortf(:,1));
end
%%%%%%%%%%%%%%%%%%%%%%%输出优化结果%%%%%%%%%%%%%%%%%%%%%%%%
Bestf=Sortf(:,1);                 %最优变量
trace(end);                       %最优值
figure,plot(trace)
xlabel('迭代次数')
ylabel('目标函数值')
title('亲和度进化曲线')

%%%%%%%%%%%%%%%%%%%%%%%%%亲和度函数%%%%%%%%%%%%%%%%%%%%%%
function result=func1(x)
summ=sum(x.^2);
result=summ;
end

1. 抗体浓度在问题求解中的作用

评估群体多样性：

抗体浓度可以反映抗体群体的多样性程度。较高的抗体浓度意味着抗体群体中存在更多的不同抗体，即多样性较高。这对于在问题的搜索空间中进行广泛的探索非常重要。高抗体浓度可以保持较高的多样性，避免陷入局部最优解，并提高发现全局最优解的可能性。

控制克隆操作：

免疫算法中的克隆操作会产生大量的克隆抗体。抗体浓度可以用于控制克隆操作的程度，即克隆抗体的数量。较高的抗体浓度会导致更多的克隆抗体产生，从而增加搜索空间的探索能力和多样性。通过调节抗体浓度，可以控制克隆操作的规模，适应问题的特性和求解需求。

调节进化过程：

抗体浓度还可以作为调节算法收敛性和多样性之间平衡的一项指标。在求解过程中，随着迭代的进行，抗体浓度可能会逐渐增加。当抗体浓度较低时，说明算法仍在探索空间的早期阶段，此时需要保持较高的多样性，以便更好地发现全局最优解。而当抗体浓度逐渐增加时，可能意味着算法已经找到了一些较优解，此时可以适度减少多样性，提高收敛性，以便更加精确地搜索局部最优解。通过动态调整抗体浓度，可以平衡算法的收敛速度和最终的求解精度