标签：好的 步骤 高斯分布 结束 alt logs 更新 最好 不同的
人工免疫相关优化算法
生物学机理：定义任何属于人体自身的组织称为自体，任何入侵的东西称为异体。产生的抗体与自身细胞结合，则取消该抗体；留下的正式抗体，如果某异体与之产生结合并达到一定的阈值，则该异体检测为抗原，予以清除。
算法思想：淘汰与抗原结合能力差的抗体，对优质抗体变异，增加抗体的多样性。
算法流程：
1）产生出事候选集P：其由记忆细胞子集和保留子集组成。
2）选取n个亲和度最大的子集作为抗体样本Pn。
3 ) 对Pn进行克隆操作，其中亲和越大，克隆的个数越多。生成临时抗体集C.
4 ) 对C进行变异操作，其中亲和度越大，变异率越小。生成抗体集C*.
5 ) 重新选择C*中亲和度最大的子集，补充到记忆细胞自己中；并用C*中其他改进型个体替换P中的一些个体。
6）随机产生d个新抗体，替换P中亲和度最低的抗体，增加抗体的多样性。
特点：
多样性：通过新旧抗体的替代，增加了种群的多样性。
最优化：高亲和度抗体被保留，使得对抗原的识别更加有效。
局部搜索能力:突变的存在使得抗体可以在局部范围内发生变化提高了识别能力。
淘汰性：低亲和度抗体被淘汰，使得对免疫系统识别能力不断增强。
学习记忆性：第一阶段结束后，原高亲和度抗体被保留，使得在第二阶段可以快速响应识别抗原。
算法思想：通过群体间个体的相互协作和信息共享来寻找最优解。
基本步骤：
1） 初始化粒子群，包括粒子的数量，位置和速度。
2） 计算每个粒子的适应度，选择该粒子最好的位置和适应度。选择该种群最好适应度粒子的位置作为该种群最好的位置。
3） 根据粒子的速度和位置更新粒子的速度和位置。
4） 计算更新后粒子的适应度，如果这个适应度更好，则更改该粒子的位置为此时的新位置。
5） 将每个粒子的适应度与全局所有所有粒子的适应度进行比较，如果较好则更新种群最好位置。
6） 判断此时是否满足算法结束条件，如果否则继续迭代之前步骤。
说明：免疫粒子群是指上面算法的结合体。
算法思想：通过克隆的方法实现个体的高亲和度和群体的多样性。通过粒子群算法提高算法的收敛速度。提高优化的性能和质量。
基本步骤：
步骤1：确定目标函数，
。
其中：yi表示建模数据实际输出。F(xi)表示模型预测输出。
步骤2：利用目标函数，通过设置不同的神经网路参数，包括隐含层节点数，权值等。从而产生不同的f(xi),得到多个Ji，此处Ji表示为抗体。另：这些初始情况下的抗体就是粒子群中的粒子。
粒子属性更新：
。
其中：w为惯性权值，它使粒子保持运动惯性。使其具有拓展搜索空间的趋势，加快收敛进程。Vi为粒子速度，vi属于[-Vmax,Vmax]，较大的保证群体的全局搜索能力，较小则群体的局部搜索能力加强；c1,c2为正实数，称为加速度常数。r1,r2为[0，1]之间随意变化的随机数。Pi为目前粒子所处的最好位置，pg为粒子群目前的最好位置。
步骤3：更新后的粒子群，收敛速度快，但是易陷入局部最优。通过识别亲和力对粒子群进行增殖和淘汰。这里亲和力是指抗体与抗原的匹配程度。亲和力计算公式：
，其中t大于0，为常数。
步骤4：高变异克隆：对个体进行变异，复制高亲和力的抗体个体，同时淘汰亲和力低的个体，实现抗体库中的个体高度亲和力和群体多样性，防止局部收敛。再从新的抗体群中优选出亲和力高的个体，产生针对多目标优化的候选解。
变异公式：。
其中：其中δθξαβ为算法因子常数αδ用以控制变异程度β为正常数ξ为足够小的正数用以防止除数为；可以取适当的数；r为服从均值为、方差为的高斯分布的随机数；
步骤5：进行全局搜索，选出亲和力最高的抗体为最优个体。
步骤6：判断算法是否结束。
标签：好的 步骤 高斯分布 结束 alt logs 更新 最好 不同的
原文地址：http://www.cnblogs.com/zjh225901/p/6537343.html
