多种群竞争与协同的人工免疫计算模型及应用

摘要

协同进化算法是近年来计算智能领域的一个研究热点。它借鉴了自然界中的协同进化机制,使用多个独自进化的子种群来模拟自然界中的多个物种,并在进化过程中令这些子种群相互影响、相互作用。协同进化模型已经成功应用于多个领域,如生物学、物理学、化学、经济学、人类学和心理学等,甚至是大规模的NP问题。相对于传统进化算法,其优势比较明显。但尽管如此,协同进化算法也有一些难以克服的不足,如机理和模型比传统进化算法复杂、对问题本身的特性有很大的依赖性、无法保证算法的性能等。正因为这些的不足,使得协同进化算法在某些简单的问题上反而难以取得很好的效果,其对参数的敏感性也制约着算法的应用。
　　 针对协同进化算法的问题,本文借鉴免疫计算的相关原理,提出了一种融合免疫机制的协同进化模型(ICEA)。该模型将抗体分为若干个种群,通过引入选择,变异,交叉,迁徙,免疫等算子,使得各种群之间构成协同关系,它们各自分别进化,又同时相互作用。通过对13个标准测试函数进行的仿真实验,验证了该模型的可行性和有效性。
　　 接着对ICEA算法进行扩展,将自然界的竞争机制纳入智能进化算法中,提出一种有限资源控制的Lotka—Volterra模型。该模型将环境资源总量设置为一个固定值,各个种群需要通过竞争取得环境资源。模型中,每个种群根据评价标准给予一个评价值,优势种群的个体数量可以得到增长,劣势种群则会被限制其发展。因此,生存在一定自然环境资源约束的多个种群,通过相互之间的竞争与协同,互相驱使对方提高复杂性和性能,从而实现种群之间的竞争协同进化。
　　 最后,针对高维数据聚类分析前的降维处理问题,提出了一种基于免疫协同进化算法的投影寻踪模型(ICEA—PPC)。该模型引入进化算法原理用于解决投影寻踪降维问题,利用免疫协同进化算法优化投影方向,将高维数据样本投影到低维空间,实现了对高维数据的低维投影寻踪,从而降低了数据挖掘过程中的计算复杂度,实现了数据的约减。实验结果验证了免疫投影寻踪降维算法的有效性。