混合免疫智能算法理论及应用

内容简介

本书在全面总结国内外的混合免疫智能算法及其应用成果的基础上，着重介绍作者在混合免疫智能算法理论及应用这一领域的研究成果，主要包括竞争合作性协同免疫进化算法模型设计、算法分析与实验；免疫双态粒子群计算模型构建、算法分析与实验；免疫协同粒子群算法模型构建、算法分析与实验；免疫蚁群自适应融合算法设计及实验分析；以及混合免疫智能算法在复杂工业控制系统中的应用研究，如基于混合免疫智能算法的混沌系统自抗扰优化控制和基于混合免疫智能算法的永磁同步电机多参数辨识与状态监测等实际工业应用。本书为读者提供了混合免疫智能集成计算模型构建、算法设计、理论分析、算法编程和工程实际应用等新方法、新技术、新思路。

目录

第1章 绪论 1
1.1 人工免疫系统的研究概况 1
1.1.1 生物免疫系统 2
1.1.2 人工免疫系统 4
1.1.3 人工免疫算法 6
1.2 混合免疫智能算法研究概况 11
1.2.1 典型混合免疫智能计算模型 12
1.2.2 混合免疫智能算法应用研究进展 19
1.3 现有混合免疫智能算法存在的主要问题及解决途径 24
1.3.1 混合免疫智能算法理论研究的缺陷及解决思路 25
1.3.2 混合免疫智能算法应用研究的局限及拓展 26
1.4 背景与意义 29
1.5 内容安排 30
第2章 竞争合作型协同免疫进化算法 32
2.1 引言 32
2.2 竞争合作协同免疫进化模型 34
2.2.1 基于生态种群密度的种群竞争操作 35
2.2.2 群体协同合作操作 36
2.3 种群内部免疫优势克隆选择操作 38
2.3.1 抗体局部免疫优势算子 38
2.3.2 基于信息熵的种群多样性控制 41
2.3.3 种群内部抗体克隆选择操作 42
2.4 算法流程及其收敛性能分析 43
2.4.1 竞争合作型协同免疫进化算法步骤 43
2.4.2 收敛性分析 44
2.4.3 时间复杂度分析 46
2.5 实验仿真 46
2.5.1 三种不同形式ICA算法性能比较 48
2.5.2 CCCICA与其他免疫克隆选择算法的性能比较 51
2.5.3 CCCICA与其他智能算法的性能比较 53
2.6 本章小结 54
第3章 免疫双态粒子群算法 56
3.1 引言 56
3.2 粒子群算法优化原理 58
3.3 免疫双态粒子群算法 60
3.3.1 双态粒子群算法机理 60
3.3.2 精英粒子局部增强学习算子 63
3.3.3 粒子免疫优化 63
3.4 IBPSO算法流程及性能分析 65
3.4.1 算法IBPSO流程 65
3.4.2 算法性能及收敛性分析 66
3.5 仿真实验及分析 68
3.5.1 BPSO（双模态粒子群）比例参数 69
3.5.2 算法精度比较 71
3.5.3 t-test测试比较 74
3.5.4 高维函数实验 75
3.5.5 多模态函数及多样性实验 77
3.6 本章小结 80

第4章 免疫协同粒子群算法 81
4.1 引言 81
4.2 免疫协同粒子群进化算法 82
4.2.1 免疫协同粒子群进化模型 82
4.2.2 普通种群混合免疫网络粒子群算法 84
4.2.3 记忆库免疫进化 86
4.3 协作操作 88
4.3.1 个体极值小波学习 88
4.3.2 优势抗体迁移与共享 91
4.4 ICPSO算法流程 91
4.5 实验仿真及分析 91
4.5.1 算法精度比较 94
4.5.2 算法计算复杂度比较 97
4.5.3 算法t-test值比较 99
4.5.4 相关参数及其算子分析 100
4.5.5 动态性能测试 101
4.5.6 ICPSO与IBPSO的性能比较 104
4.6 本章小结 105
第5章 免疫蚁群自适应融合算法 106
5.1 引言 106
5.2 蚁群算法优化机理 108
5.3 基于统计学习的免疫融合蚁群算法（ACALA） 109
5.3.1 带混沌扰动算子启发式蚁群算法 109
5.3.2 MAX-MIN机制 110
5.3.3 免疫操作搜索算子 111
5.3.4 基于统计学习的自适应免疫蚁群融合算法 114
5.3.5 ACALA算法收敛性分析及实验仿真 115

5.4 免疫双态蚁群融合算法（BAIA） 122
5.4.1 双态蚁群机理 122
5.4.2 信息素的更新规则 124
5.4.3 BAIA算法流程 124
5.4.4 BAIA算法性能分析 125
5.4.5 BAIA算法测试实验及分析 127
5.5 本章小结 130
第6章 基于混合免疫智能算法的混沌系统自抗扰优化控制 131
6.1 引言 131
6.2 自抗扰控制 133
6.3 基于免疫双态粒子群算法的混沌系统自抗扰优化控制 135
6.3.1 非线性混沌系统 135
6.3.2 评价函数的选择 135
6.3.3 混沌系统自抗扰优化控制系统结构图 136
6.3.4 基于IBPSO算法的

摘要与插图

前 言
在人类社会和自然界中存在许多有待人们去研究的奥秘，而人类的智能研究是重要的，生命现象的奥秘和生物的智能行为也一直被科学家们所关注。生物体是一个大的复杂系统，生物为了维持自身个体的非平衡耗散结构，获得了基于自组织化构造信息处理系统的能力。同时，生物系统也可看成一个信息处理系统，基于生物系统启发的信息处理方法能为科学与工程技术领域提供各种富有成效的智能技术。生物智能是在生物的遗传、变异、生长以及外部环境的自然选择中产生的。在用进废退、优胜劣汰的进化过程中，适应度高的结构被保存下来，智能水平也随之提高。基于生物进化、细胞免疫、神经网络、群体智能等某些生物机制可导向计算智能，其代表有神经网络、进化计算、群体智能、免疫计算、模拟退火以及模糊系统等。这些方法具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适合于并行处理的优点，一直是智能科学领域的研究热点。智能计算在求解问题时不依赖于梯度信息，适用于传统方法难以解决的大规模复杂非线性优化问题，因此已经被广泛应用于诸多领域，如优化问题求解、复杂工业自动化、航空航天工程、机器人领域、电力系统领域、网络及通信领域、计算机领域、半导体制造领域和工程设计领域、系统辨识与故障诊断领域等。随着工业生产过程朝着大型化、连续化、综合化的方向迅速发展，生产过程变得越来越复杂，随之而来的各类工程问题具有大规模、强非线性、大迟延、高变量维数、多求解目标、参数时变等特征，这使得变量的存储及工程优化问题的求解都相当困难。这些复杂工程优化问题因为涉及面广、影响大而成为国民经济及工业界中迫切需要解决的课题。
而复杂工业系统的建模、优化与控制又往往需要高性能的算法来辅助，但是现有依靠单一模式的进化方法往往难以满足该方面的性能要求。混合算法的思想是利用各算法的优势和各种智能算法内部策略来相互取长补短，从而产生更好的优化能力和求解效率。免疫系统是一种具有高度分布性的复杂自适应学习系统，免疫系统为了抵御外来病原体的入侵维持机体自身耗散结构的平衡，保证生物体的生存与发展，蕴藏着强大的信息处理能力，如“自己-非己”识别能力、免疫细胞克隆扩增、免疫选择、免疫网络、免疫细胞更新、免疫抗体多样等机理，还结合了分类器、神经网络、机器推理等学习系统的优点，具有较好的模式识别功能，呈现出良好的分布性、多样性、耐受性、记忆性、自适应性、鲁棒性等特点。从工程应用角度来讲，免疫系统将先天的经验知识与后天的学习相结合，构造出一种基于知识的自适应动态系统。同时免疫系统经历长时间的进化与其他生物智能系统有着一些共同特性，也容易吸收其他智能系统的优势元素来不断完善免疫系统自身的进化。借鉴免疫系统的机理并结合其他优化算法开展混合免疫智能理论与算法研究能为复杂系统问题的求解提供新的思路和有效的途径。充分考虑多种智能方法之间的有机联系及其算法内在的差异性，通过不断地汲取经典搜索方法及现代智能启发式算法的优点，各取所长，建立新模式的混合免疫智能计算理论与算法已是现代免疫计算智能与工程研究的发展方向。
本书的内容是作者近年来在混合免疫智能算法理论及应用研究领域所取得科研成果的归纳与总结。全书深入挖掘生物免疫系统中蕴含的智能学习机制并结合其他智能处理方法的优点，研究了四类混合免疫智能算法理论方法及其相关应用。希望通过本书，为读者提供混合免疫智能算法模型构建、算法设计、理论分析、算法编程和实际应用等新方法与技术。全书共7章，第1章主要从生物免疫系统的起源阐述了人工免疫的发展，陈述了人工免疫系统中典型的免