免疫进化混合猴王遗传算法

doi:10.11772/j.issn.1001-9081.2014.06.1641

计算机应用 ›› 2014, Vol. 34 ›› Issue (6): 1641-1644.DOI: 10.11772/j.issn.1001-9081.2014.06.1641

免疫进化混合猴王遗传算法

李祚泳¹,张小丽¹,汪嘉杨²,张正健¹

1. 成都信息工程学院资源环境学院,成都 610041
2. 中国科学院成都山地灾害与环境研究所,成都 610041

收稿日期:2013-11-12 修回日期:2014-01-02 发布日期:2014-07-02 出版日期:2014-06-01
通讯作者: 李祚泳
作者简介:李祚泳(1944-),男,四川宜宾人,教授,博士生导师,主要研究方向:优化算法、人工神经网络;张小丽(1990-),女,重庆人,硕士研究生,主要研究方向:优化算法、环境信息分析;张正健(1986-),男,重庆人,硕士,主要研究方向:优化算法、环境信息分析;汪嘉杨（1980-），女，副教授，博士，主要研究方向：环境系统分析。
基金资助:
国家自然科学基金资助项目

LI Zuoyong¹,ZHANG Xiaoli¹,WANG Jiayang²,ZHANG Zhengjian¹

1. College of Resources and Environment, Chengdu University of Information Technology, Chengdu Sichuan 610041, China;
2. Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu Sichuan 610041, China

Received:2013-11-12 Revised:2014-01-02 Online:2014-07-02 Published:2014-06-01
Contact: LI Zuoyong

摘要/Abstract

摘要：

针对简单猴王遗传算法（MKGA）存在易陷入局部极值和稳定性较差的缺陷,提出了免疫进化混合猴王遗传算法（MKGAIEH）。MKGAIEH将总群体划分为若干个子群体,为了充分利用总群体中最优个体(总猴王)信息,引入免疫进化算法（IEA）对其进行免疫进化迭代计算;此外,对子群体内的其他个体,同时考虑子群体的子猴王与群体的总猴王对其进行交叉和变异遗传操作。当所有子群体的局部搜索完成后,再将各子群体的解重新混合。这种全局信息交换与子群内局部搜索相结合的策略不仅避免了早熟收敛,而且随着迭代的进行,还能以更高的精度逼近全局最优解。将MKGAIEH、MKGA、改进后的猴王遗传算法（IMKGA）、蜜蜂遗传算法（BEGA）、免疫进化粒子群蛙跳算法（IEPSOSFLA）和普通爬山算子遗传算法（COGA）对6个典型测试函数的计算结果进行了比较，其结果为:MKGAIEH对6个测试函数都能获得全局最优解,有5个测试函数获得的平均值和标准差比其他5种优化算法获得的平均值和标准差精度提高了几个数量级,达到了最小。这表明MKGAIEH具有更佳的寻优能力和更好的稳定性。

Abstract:

Aiming at the limitations of easily falling into local minimum and poor stability in simple Monkey-King Genetic Algorithm (MKGA), a MKGA by Immune Evolutionary Hybridized (MKGAIEH) was proposed. MKGAIEH divided the total population into several sub-groups. In order to make full use of the best individual (monkey-king) information of total population, the Immune Evolutionary Algorithm (IEA) was introduced to iterative calculation. In addition, for the other individuals in the sub-groups, the crossover and mutation operations were performed on the monkey-kings of sub-groups and total population. As local searches of all sub-groups were completed, the solutions of sub-groups were mixed again. As the iteration proceeds, this strategy combined the global information exchange with local search is not only to avoid the premature convergence, but also to approximate the global optimal solution with a higher accuracy. Comparison experiments on 6 test functions using MKGAIEH, MKGA, Improved MKGA (IMKGA), Bee Evolutionary Genetic Algorithm (BEGA), Algorithm of Shuffled Frog Leaping based on Immune Evolutionary Particle Swarm Optimization (IEPSOSFLA), and Common climbing Operator Genetic Algorithm (COGA) were given. The results show that the MKGAIEH can find the global optimal solutions for all 6 test functions, and the mean values and standard deviation accuracy of 5 test functions achieve the minimums with improving several orders of magnitude than those of the comparison algorithms. Therefore, MKGAIEH has the optimal searching ability and the stability all the better.

中图分类号:

TP18

李祚泳张小丽汪嘉杨张正健. 免疫进化混合猴王遗传算法[J]. 计算机应用, 2014, 34(6): 1641-1644.

LI Zuoyong ZHANG Xiaoli WANG Jiayang ZHANG Zhengjian. [J]. Journal of Computer Applications, 2014, 34(6): 1641-1644.

参考文献

[1]XIONG W, ZENG B. Studies on some bionic optimization algorithms[J]. Computer Technology and Development, 2010,20(3):9-12,16. (熊伟平, 曾碧卿. 几种仿生优化算法的比较研究[J]. 计算机技术与发展, 2010,20(3):9-12,16.)
[2]DORIGO M, GAMBARDELLA L M. Ant colony system: a cooperative learning approach to the traveling salesman problem[J]. IEEE Transactions on Evolutionary Computation, 1997,1(1):53-66.
[3]HUANG T, SHENG J, XU H, et al. Improved simplified particle swarm optimization[J]. Computer Simulation, 2013, 30(2): 327-330, 335. (黄太安, 生佳根, 徐红洋, 等. 一种改进的简化粒子群算法[J]. 计算机仿真, 2013, 30(2):327-330, 335.)
[4]WANG P. Overview of artificial fish swarm algorithm[J]. Journal of Civil Aviation Flight University of China, 2013, 24(4):22-26.(王培崇. 人工鱼群算法研究综述[J]. 中国民航飞行学院学报, 2013, 24(4): 22-26.)
[5]ZHANG C, ZHENG J, WANG X. Overview of research on bee colony algorithms[J]. Application Research of Computers, 2011, 28(9): 3201-3205, 3214. (张超群, 郑建国, 王翔. 蜂群算法研究综述[J]. 计算机应用研究, 2011, 28(9): 3201-3205, 3214.)
[6]EUSUFF M M, LANSEY K E. Optimization of water distribution network design using shuffled frog leaping algorithm[J]. Journal of Water Resources Planning and Management, 2003, 129(3): 210-225.
[7]CHEN H, ZHOU Y, HU K. Multi-colony bacteria foraging optimization with cell-to-cell communication for RFID network planning[J]. Applied Soft Computing, 2010, 10: 539-547.
[8]KRISHNANAND K N, GHOSE D. Glowworm swarm optimization for simultaneous capture of multiple local optima of multimodal functions[J]. Swarm Intelligence, 2009, 3(7): 87-124.
[9]LI Z, WANG J, GUO C. A new method of BP network based on particle swarm optimization and simulation test[J]. Acta Electronica Sinica, 2008, 36(11): 2224-2228.(李祚泳, 汪嘉杨, 郭淳. PSO算法优化BP网络的新方法及仿真实验[J]. 电子学报, 2008, 36(11): 2224-2228.)
[10]KARABOGA D, AKAY B. A modified Artificial Bee Colony (ABC) algorithm for constrained optimization problems[J]. Applied Soft Computing, 2011, 11(3): 3021-3031.
[11]WANG X, XIAO W, HE C. Application of improved shuffled frog leaping algorithm to resolve multi-objective optimization problem[J]. Computer Engineering and Applications, 2012, 48(30): 233-238.王晓笛, 肖伟, 何灿. 改进的蛙跳算法在多目标优化问题中的应用[J]. 计算机工程与应用, 2012, 48(30): 233-238.
[12]GUO C, XIE J, LIU J, et al. Monkey-king genetic algorithm for continuous nonlinear programming problem [J]. Journal of Jiangsu University: Natural Science, 2002, 23(4): 87-90. (郭晨海, 谢俊, 刘军, 等. 连续非线性规划的猴王遗传算法[J]. 江苏大学学报:自然科学版, 2002, 23(4): 87-90.)
[13]LI Y, LIU H, ZHANG S. Improving monkey king genetic algorithm[J]. Journal of Nanjing Normal University: Engineering and Technology, 2004, 4(3): 53-56. (李宇中, 刘红星, 张胜. 猴王遗传算法的改进[J]. 南京师范大学学报:工程技术版, 2004, 4(3): 53-56.)
[14]LI Z, ZHANG Z, WANG J, et al. Bee genetic algorithm based on immune evolution and chaotic mutation[J]. Applied Mechanics and Materials, 2012,198/199: 1523-1526.
[15]LI Z, ZHANG Z, YU C. Shuffled frog leaping algorithm based on immune evolutionary particle swarm optimization[J]. , 2011, 31(12): 3288-3291.(李祚泳, 张正健, 余春雪. 基于免疫进化的粒子群混洗蛙跳算法[J]. 计算机应用, 2011, 31(12): 3288-3291.)

免疫进化混合猴王遗传算法

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	吕乐张博瀚荆军昌刘栋. 基于持久性的多目标节点隐藏方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[2]	宫智宇王士同. 面向重尾噪声图像分类的残差网络学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[3]	王虎王晓峰李可马云洁. 融合多头自注意力的标签语义嵌入联邦类增量学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	丁建立, 黄辉, 曹卫东. 航班链运行状态动态监控方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3941-3948.
[5]	刘晶鑫, 黄雯静, 徐亮胜, 黄冲, 吴建生. 字典学习与样本关联保持结合的无监督特征选择模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3766-3775.
[6]	沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3949-3957.
[7]	张祖篡, 陈学斌, 高瑞, 邹元怀. 基于标签分类的联邦学习客户端选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3759-3765.
[8]	宋逸飞, 柳毅. 基于数据增强和标签噪声的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3798-3807.
[9]	蒋权黄文清苟志勇. 基于等变图神经网络的拉格朗日粒子流模拟[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[10]	李岚皓严皓钧周号益孙庆赟李建欣. 基于神经网络的多尺度信息融合时间序列长期预测模型[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[11]	廖炎华鄢元霞潘文林. 基于YOLOv9的交通路口图像的多目标检测算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[12]	张学飞张丽萍闫盛侯敏赵宇博. 知识图谱与大语言模型协同的个性化学习推荐[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[13]	索晋贤张丽萍闫盛王东奇张雅雯. 可解释的深度知识追踪方法综述[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[14]	陈丹阳张长伦. 多尺度去相关的图卷积网络[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[15]	蒋沛宇王永光任亚亭李硕晨谭火彬. 基于测量不确定度表示指南的目标检测不确定度测量方案[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.