免疫遺傳算法及其在TSP中的應用研究.pdf

1、遺傳算法（GA）是一種模擬自然界生物進化的搜索算法，由于它簡單易行、魯棒性強，尤其是不需要專門的領(lǐng)域知識而僅用適應度函數(shù)作評價來指導搜索過程，從而使它的應用范圍極為廣泛。但是在遺傳算法的實際工程優(yōu)化應用中，常常存在早熟收斂、局部搜索能力不足和收斂速度慢的問題。本論文在深入研究這些問題的基礎上，提出以下幾點創(chuàng)新性工作：
　?。?）借鑒生物免疫系統(tǒng)的某些優(yōu)良特性，結(jié)合人工免疫算法（AIA），提出了一種新的基于疫苗免疫濃度調(diào)節(jié)機制，融合

2、了免疫記憶、多樣性保持、自我調(diào)節(jié)、新陳代謝等功能的免疫遺傳算法（IGA）框架，并對其性能進行理論分析，包括Markov鏈全局收斂性分析和模式增長分析。證明了保留最優(yōu)個體的免疫遺傳算法以概率1收斂到全局最優(yōu)解；提出平均濃度閾值的概念，得出IGA模式定理，可知免疫操作使優(yōu)良模式的增長速度加快。
　　將提出的免疫遺傳算法框架應用到旅行商問題（TSP）問題中，通過MATLAB仿真實驗對TSPLIB標準測試庫中的城市數(shù)據(jù)進行對比測試，仿真結(jié)

3、果表明IGA在尋優(yōu)結(jié)果和收斂速度方面均優(yōu)于GA，驗證了算法的可行性和有效性；并定義了多樣性評價函數(shù)，仿真結(jié)果驗證了IGA的多樣性保持能力，從而克服了GA早熟收斂和容易陷入局部最優(yōu)的缺陷。
　?。?）針對基于信息熵的AIA運行速度慢的缺陷，分析了影響其運行速度的原因，深入研究了信息熵的計算過程，提出了一種加速群體信息熵計算的方法，并進行了數(shù)值仿真實驗。實驗結(jié)果表明，基于改進方法構(gòu)造的信息熵的人工免疫算法，其運行速度得到了大幅度提高。