基于免疫網(wǎng)絡(luò)感知結(jié)構(gòu)機(jī)理環(huán)境下自適應(yīng)粒子群優(yōu)化研究
掃描二維碼
隨時(shí)隨地手機(jī)看文章
引言
隨著免疫算法借鑒生物免疫的信息處理機(jī)制,通過(guò)對(duì)生物免疫感知系統(tǒng)原理的模擬,利用免疫感知系統(tǒng)抗體的多樣性和自我調(diào)節(jié)功能,可以保持優(yōu)化問(wèn)題中解群體的多樣性,從而為復(fù)雜問(wèn)題的求解提供新的思路?;诿庖吒兄到y(tǒng)原理,在免疫感知系統(tǒng)采用高變異克隆的單性繁殖搜索方式,也可以避免遺傳系統(tǒng)中的交叉操作所引起的模式干擾,同時(shí)具有未被激發(fā)的細(xì)胞消亡及記憶細(xì)胞的產(chǎn)生等過(guò)程,此外還可保證抗體的多樣性。
1基于免疫網(wǎng)絡(luò)感知結(jié)構(gòu)機(jī)理的粒子群優(yōu)化算法
基于免疫網(wǎng)絡(luò)感知結(jié)構(gòu)機(jī)理粒子群優(yōu)化,從這種模型中得到啟示并用于解決優(yōu)化問(wèn)題。同時(shí)基于免疫網(wǎng)絡(luò)感知結(jié)構(gòu)機(jī)理粒子群優(yōu)化中,每個(gè)優(yōu)化問(wèn)題的潛在解都是搜索空間中的一只鳥,稱之為粒子。假設(shè)在一個(gè)F維的目標(biāo)搜索空間中,有m個(gè)粒子組成一個(gè)群落,其中第j個(gè)粒子表示為一個(gè)F維的向量:
Yj=(yj1,yj2,…,yjF),j=1,2,…,m
且第j個(gè)粒子的“飛行”速度也是一個(gè)F維的向量,記為:
γj=(γj1,γj2,…,γjF),j=1,2,…,m
第j個(gè)粒子迄今為止搜索到的最優(yōu)位置稱為個(gè)體極值,記為:
pbest=(pj1,pj2,…,pjF),j=1,2,…,m
整個(gè)粒子群迄今為止搜索到的最優(yōu)位置為全局極值,記為:
gbest=(pg1,pg2,…,pgF)
在找到這兩個(gè)最優(yōu)值時(shí),粒子根據(jù)如下的公式來(lái)更新自己的速度和位置:
其中,c1和c2為學(xué)習(xí)因子,也稱加速常數(shù);r1和r2為[0,1]范圍內(nèi)的均勻隨機(jī)數(shù)。在式(1)右邊的三部分中,第一部分為慣性或動(dòng)量部分,反映粒子的運(yùn)動(dòng)“習(xí)慣”,代表粒子有維持自己先前速度的趨勢(shì);第二部分為“認(rèn)知”部分,反映粒子對(duì)自身歷史經(jīng)驗(yàn)的記憶或回憶,代表粒子有向自身歷史最佳位置逼近的趨勢(shì);第三部分為“社會(huì)”部分,反映粒子間協(xié)同合作與知識(shí)共享的群體歷史經(jīng)驗(yàn),代表粒子有向群體或鄰域歷史最佳位置逼近的趨勢(shì)。根據(jù)經(jīng)驗(yàn),通常取c1=c2=2。i=1,2,…,D。vid是粒子的速度,γjd∈[-γmax,γmax],vmax是常數(shù),可由用戶設(shè)定用來(lái)限制粒子的速度。r1和r2是介于[0,1]之間的隨機(jī)數(shù)。2aiNET免疫網(wǎng)絡(luò)感知結(jié)構(gòu)模型
基于參考文獻(xiàn),利用aiNET模型L.N.deCastor與J.Timmis可提出一些以一定連接強(qiáng)度聯(lián)系起來(lái)的抗體群組成的網(wǎng)絡(luò)。網(wǎng)絡(luò)中的抗體代表了抗原的內(nèi)影像,抗體之間的連接表明了它們之間的關(guān)系,也即相似程度。aiNET將目標(biāo)函數(shù)看成抗原,將算法產(chǎn)生反映抗原特征的候選解看作抗體(細(xì)胞),然后就可以模擬免疫網(wǎng)絡(luò)感知結(jié)構(gòu)抗體原之間的相互刺激與作用,并找到最優(yōu)抗體。
aiNET模型不區(qū)分B細(xì)胞與抗體,同時(shí)記憶細(xì)胞群等同于抗體群,用抗體Ab表示候選節(jié)點(diǎn),用抗原Ag表示待優(yōu)化的多目標(biāo)函數(shù)f(·),Ag-Ab在形態(tài)空間中通過(guò)它們的適應(yīng)函數(shù)f(·)來(lái)度量,而每一對(duì)Ab-Ab通過(guò)親與力dij反應(yīng)它們的交互作用。
Euclidcan距離可根據(jù)公式:
計(jì)算,其中yjr=(r=1,2,…,L)為Ab的每一維空間的值,L為向量維數(shù)。
在上述模型中,利用適應(yīng)值的大小可確定抗體是否克隆與變異及其規(guī)模,而利用親與度的大小則可決定網(wǎng)絡(luò)中抗體的相互抑制,也就是抗體之間的親與力不能小于抑制閾值бs,小于бs的抗體則應(yīng)被清除。
3基于免疫網(wǎng)絡(luò)感知結(jié)構(gòu)的粒子群算法
在人工免疫網(wǎng)絡(luò)感知結(jié)構(gòu)中,網(wǎng)絡(luò)感知細(xì)胞就是粒子群算法中的粒子,該粒子就是免疫網(wǎng)絡(luò)感知結(jié)構(gòu)中的B細(xì)胞或者抗體。適應(yīng)度是指由粒子經(jīng)過(guò)目標(biāo)函數(shù)(最大或者最小)計(jì)算出來(lái)的函數(shù)值?;诳寺♂槍?duì)網(wǎng)絡(luò)感知細(xì)胞,按照一定的比例進(jìn)行復(fù)制與該網(wǎng)絡(luò)感知細(xì)胞相同的網(wǎng)絡(luò)感知細(xì)胞。網(wǎng)絡(luò)感知細(xì)胞的當(dāng)前記憶子種群將每個(gè)網(wǎng)絡(luò)在每一代所經(jīng)歷的當(dāng)前最優(yōu)粒子P(jt)保留,并以I為粒子數(shù),t為迭代次數(shù),放入記憶庫(kù)。網(wǎng)絡(luò)感知細(xì)胞全局記憶子種群在網(wǎng)絡(luò)感知細(xì)胞中,把當(dāng)前所有粒子中最優(yōu)的粒子Pg(t)保留在記憶庫(kù)中,并以g為當(dāng)前全局最優(yōu),t為迭代次數(shù)。則免疫網(wǎng)絡(luò)感知結(jié)構(gòu)粒子群算法(網(wǎng)絡(luò)機(jī)理粒子群優(yōu)化)如下:
(1)在初始化參數(shù)M,бs,N,G,w,c1,c2中,M為種群數(shù),бs為抑制閾值,N為克隆乘子,G為進(jìn)化代數(shù),w為慣性權(quán)值,c1,c2為學(xué)習(xí)因子。
(2)將初始化粒子的位置與方向分別記為:X(t)={x1(t),y2(t),…,yL(t)},γ(t)={γ1(t),γ2(t),…,λL(t)},t=1,2,…,G,其中L為優(yōu)化問(wèn)題的維數(shù)。
(3)計(jì)算每個(gè)粒子的適應(yīng)度f(wàn)j,j=1,2,…,n。
(4)克隆選擇。即按照一定比例的粒子細(xì)胞進(jìn)行克隆。每一粒子的克隆數(shù)Nc與適應(yīng)值相關(guān)。
式中,N為克隆乘子;fj為適應(yīng)值;INT(g)為取整運(yùn)算。對(duì)每個(gè)粒子組成克隆群
(5)親與突變。作用方式是抗體與其親與力成反比的可 變概率獨(dú)立地改變自身的基因,在此選擇 P(y)=exp(-aff(y)), 獲抗體群 C(t)'。
(6)網(wǎng)絡(luò)抑制。依據(jù)下式消去 C(t)' 中相同及相似抗體, 獲抗體群 C(t)" :
(7)對(duì)粒子進(jìn)行更新,更新后的群體記為 :
(8)計(jì) 算 群體 Cj('t)(j=1,2,…,M,t=1,2,…,G)中每個(gè)粒子與目標(biāo)函數(shù)的適應(yīng)值,將最優(yōu)的粒子 x(jt)與 γ (jt)分別保存在 M(jt),γ (jt)中。將該粒子群體經(jīng)歷過(guò)的最優(yōu)位置保存在 P(jt)中,同時(shí)找出群體 C"(t)中的最優(yōu)粒子,并保存在 Pg(t)中。
(9)計(jì)算群體 M(jt)中任意兩個(gè)粒子之間的親與力 dij,如果刪除 dij<бs 的粒子,則保留后的粒子群體為 Mi('t)。
(10)添加新的粒子群體 new Y,使得 y(t+1)=[M'(jt),newy]。
基于免疫粒子群優(yōu)化算法是將免疫的重要特性及免疫機(jī)理應(yīng)用在粒子群算法中,在保留原粒子群算法優(yōu)良特性的前提下,力圖有選擇、有目的地利用相關(guān)免疫理論求解優(yōu)化問(wèn)題,以此抑制其優(yōu)化過(guò)程出現(xiàn)的粒子群后階段退化現(xiàn)象。所以,根據(jù)免疫機(jī)理與實(shí)際應(yīng)用的不同,可以構(gòu)造不同的免疫粒子群算法及免疫網(wǎng)絡(luò)感知結(jié)構(gòu)機(jī)理粒子群優(yōu)化算法結(jié)構(gòu)圖。圖 1所示是免疫粒子群優(yōu)化的算法流程。
4 實(shí)驗(yàn)數(shù)據(jù)測(cè)試仿真
基于參考文獻(xiàn),采用多個(gè)高維的典型 Griewank 測(cè)試函數(shù),可測(cè)試本課題提出的 aiNET 網(wǎng)絡(luò)機(jī)理粒子群優(yōu)化搜索全局最優(yōu)解的能力。取目標(biāo)函數(shù)的相反數(shù)作為抗體的適應(yīng)度來(lái)評(píng)價(jià)抗體解的優(yōu)良性,再求以下兩個(gè)函數(shù)在定義域內(nèi)的極小值 :
鑒于多個(gè) Griewank 函數(shù)是典型的非線性多模態(tài)函數(shù),它們具有廣泛的搜索空間、大量的局部極小點(diǎn)與高大的障礙物,通常被認(rèn)為是遺傳算法很難處理的復(fù)雜多模態(tài)問(wèn)題。實(shí)驗(yàn)參數(shù)分別設(shè)定為 popsize=50,dim=2,gen=500,粒子的上下界upbound=[10 10],lwbound=[-10 -10],w=0.6,c1=c2=2,克隆乘子 N=5,網(wǎng)絡(luò)閾值為 ts=0.001。圖 2 所示為 aiNET 網(wǎng)絡(luò)機(jī)理粒子群優(yōu)化在不同閾值下的粒子適應(yīng)函數(shù)值。
通過(guò)圖 2 可以看出,閾值越接近 0.001 時(shí),優(yōu)化速度越快。這是因?yàn)殚撝翟酱?,把相同的粒子去掉,重新加入新的粒子時(shí),雖然增加了多樣性,但是也減弱了粒子的尋優(yōu)速度。如果函數(shù)值過(guò)小,網(wǎng)絡(luò)抑制起不到作用。經(jīng)過(guò)實(shí)驗(yàn)比較發(fā)現(xiàn),網(wǎng)絡(luò)抑制閾值在 0.001 左右,為比較合適的值。
圖 3 所示為粒子群在 aiNET 下,粒子在第 0 代、50 代、100 代、250 代及 500 代的分布進(jìn)化情況。從圖中可以看出,在該算法下,粒子群在 50 代左右就出現(xiàn)了局部最優(yōu)值,并且隨著迭代次數(shù)的變化,在 250 代左右,所有的粒子都達(dá)到了局部最優(yōu)或者全局最優(yōu)值。
5 結(jié) 語(yǔ)
基于免疫感知系統(tǒng)網(wǎng)絡(luò)學(xué)習(xí)粒子群的互相抑制,增加粒子的種群多樣性。由于免疫網(wǎng)絡(luò)感知結(jié)構(gòu)的并行性與克隆機(jī)制的加入,加大了搜索范圍,再加上保優(yōu)策略的引入,加快了高維目標(biāo)函數(shù)優(yōu)化中算法的收斂進(jìn)度。
20211115_6192711b7ca51__基于免疫網(wǎng)絡(luò)感知結(jié)構(gòu)機(jī)理環(huán)境下自適應(yīng)粒子群優(yōu)化研究