基于集群計算的免疫優(yōu)化算法及其應用研究.pdf

1、免疫優(yōu)化算法是受免疫學啟發(fā)，模擬自然免疫系統功能、原理和模型來解決復雜問題的一種新的智能計算方法，已經廣泛應用于各個領域。隨著信息技術的飛速發(fā)展，產生了越來越多的復雜海量數據，在應用免疫優(yōu)化算法求解這些數據時要面臨提高解的質量和求解速度等問題。近十年來，集群系統作為一種新的高性能計算平臺得到了長足的發(fā)展，基于集群的計算技術為解決上述問題提供了一條途徑。本文基于集群計算技術，將免疫算法應用于求解特征選擇、圖像降維和裝箱等問題，提出了四種新

2、的算法和并行策略，主要工作概括如下：
　　 (1)針對數據挖掘和模式識別等領域的高維數據降維問題，提出了基于免疫記憶克隆的特征選擇算法。該算法利用抗體種群進行全局搜索，通過設立記憶單元來保留歷史最好個體，并對其嵌入可控制搜索深度的局部搜索算子，用以加快抗體親和力成熟速度，同時對抗體種群和記憶單元采用不同的親合度函數以獲得更好的搜索能力。在MATLAB并行計算環(huán)境下，將該算法用于6個高維數據集進行特征子集選擇，實驗結果表明，與標準

3、遺傳算法相比新算法具有更低的復雜度和更好的搜索能力，其魯棒性也優(yōu)于經典的串行浮點前向搜索算法。
　　 (2)針對封裝式特征選擇的耗時問題，提出了一種負載均衡的主從式并行免疫克隆模型。主進程利用免疫克隆算法進行特征選擇，從進程并行計算個體親和度。為進一步降低算法運行時間，基于LPT和MULTIFIT設計了啟發(fā)式任務調度算法，首先基于時間復雜度預先估計種群中個體親和度的計算時間，然后按照個體的親和度計算時間利用提出的調度算法分配這些

4、個體到從進程，由于考慮了負載均衡，相比直接利用數量分配個體的傳統方法能獲得更短的執(zhí)行時間。在Linux刀片集群上基于MPICH軟件對UCI數據集進行特征子集選擇實驗，特征子集采用最近鄰分類和留一法驗證評價，結果表明該算法可有效降低實驗時間，在40個進程時效率最高可達75％。
　　 (3)基于生物免疫系統理論和消息傳遞接口提出了一種粗粒度并行免疫克隆算法，利用分布在多個處理器上的多個抗體種群同時并行搜索空間。為了避免算法早熟收斂和

5、提高種群多樣性，種群使用環(huán)狀通信拓撲結構，互相通過疫苗遷移算子來交流信息。對Brodatz紋理庫和真實SAR紋理圖像利用Contourlet變換提取能量特征，用該算法選出的特征子集采用最近鄰分類器評價，在Linux集群上的仿真結果表明算法性能優(yōu)于SFFS和SGA算法，且可有效降低實驗時間，在13個處理器時效率最高可達91％。
　　 (4)為了提高求解一維裝箱問題解的性能和降低算法運行時間，提出了一種并行免疫克隆裝箱算法。使用占優(yōu)