20免疫算法的函数优化--视频分享

Halcom · 发表于 2017-2-4 20:50:55

20免疫算法的函数优化
PDF下载：链接：http://pan.baidu.com/s/1jH4dKjW 密码：4jbh

AIA算法基本步骤如下：

（1）问题识别。根据给定的目标函数和约束条件作为算法的抗原。

（2）产生抗体群。初始抗体群通常是在解空间用随机的方法产生的，抗体群采用二进制编码来表示，实际应用中，常常直接采用十进制进行抗体计算更新。

（3）计算抗体适应值。即计算抗原和抗体的亲和度。

（4）生成免疫记忆细胞。将适应值较大的抗体作为记忆细胞加以保留。

（5）抗体的选择（促进和抑制）。计算当前抗体群中适应值相近的抗体浓度，浓度高的则减小该个体的选择概率——抑制；反之，则增加该个体的选择概率——促进，以此保持群体中个体的多样性。

（6）抗体的演变。进行交叉和变异操作，产生新抗体群。

（7）抗体群更新。用记忆细胞中适应值高的个体代替抗体群中适应值低的个体，形成下一代抗体群。

（8）终止。一旦算法满足终止条件则结束算法。否则转到（3）重复执行。

MATLAB代码如下：

clc,clear,close all;
warning off
global popsize length min max N code;
N=12; % 每个染色体段数（十进制编码位数）
M=100; % 进化代数
popsize=30; % 设置初始参数，群体大小
length=10; % length为每段基因的二进制编码位数
chromlength=N*length; % 字符串长度（个体长度），染色体的二进制编码长度
pc=0.7; % 设置交叉概率，本例中交叉概率是定值，若想设置变化的交叉概率可用表达式表示，或从写一个交叉概率函数，例如用神经网络训练得到的值作为交叉概率
pm=0.3; % 设置变异概率，同理也可设置为变化的
bound={-100*ones(popsize,1),zeros(popsize,1)};
min=bound{1};max=bound{2};
pop=initpop(popsize,chromlength); %运行初始化函数，随机产生初始群体
ymax=500; % 适应度值初始化
ysw_x = zeros(3,12);
% 故障类型编码，每一行为一种！code(1,:)，正常；code(2,:)，50％；code(3,:)，150％
code =[-0.8180 -1.6201 -14.8590 -17.9706 -24.0737 -33.4498 -43.3949 -53.3849 -63.3451 -73.0295 -79.6806 -74.3230
-0.7791 -1.2697 -14.8682 -26.2274 -30.2779 -39.4852 -49.4172 -59.4058 -69.3676 -79.0657 -85.8789 -81.0905
-0.8571 -1.9871 -13.4385 -13.8463 -20.4918 -29.9230 -39.8724 -49.8629 -59.8215 -69.4926 -75.9868 -70.6706];
for i=1:3 % 3种故障模式，每种模式应该产生 popsize 种监测器（抗体），每种监测器的长度和故障编码的长度相同
pop=initpop(popsize,chromlength); %运行初始化函数，随机产生初始群体
for k=1:M
[objvalue]=calobjvalue(pop,i); %计算目标函数
fitvalue=calfitvalue(objvalue); favg(k)=sum(fitvalue)/popsize; %计算群体中每个个体的适应度
newpop=selection(pop,fitvalue); objvalue=calobjvalue(newpop,i); %选择
newpop=crossover(newpop,pc,k); objvalue=calobjvalue(newpop,i); %交叉
newpop=mutation(newpop,pm); objvalue=calobjvalue(newpop,i); %变异
[bestindividual,bestfit]=best(newpop,fitvalue);%求出群体中适应值最小的个体及其适应值
if bestfit<ymax
ymax=bestfit;
for j=1:N %译码！
temp(:,j)=decodechrom(bestindividual,1+(j-1)*length,length); %将newpop每行(个体）每列（每段基因）转化成十进制数
x(:,j)=temp(:,j)/(2^length-1)*(max(j)-min(j))+min(j); % popsize×N 将二值域中的数转化为变量域的数
end
ysw_x(i,:) = x; %译码！
end
y(i,k)=ymax;
if ymax<10 % 如果最大值小于设定阀值，停止进化
break
end
pop=newpop;
end
end
ysw_x % 结果为(i*popsie)个监测器（抗体）
plot(1:M,favg)

复制代码

变异操作（采用的是二进制编码）：

function [newpop]=mutation(pop,pm)
global popsize N length;
for i=1:popsize
if(rand<pm) % 产生一随机数与变异概率比较
mpoint=round(rand*N*length); % 个体变异位置
if mpoint<=0
mpoint=1;
end
newpop(i,:)=pop(i,:);
if newpop(i,mpoint)==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i,:)=pop(i,:);
end
end

复制代码

适应度值排序操作：

function B=hjjsort(A)
% 将A=[3 1 4 7 6 9]置换成【7 9 6 3 4 1】
N=length(A);t=[0 0];
for i=1:N
temp(i,2)=A(i);
temp(i,1)=i;
end
for i=1:N-1 % 沉底法将 A 排序
for j=2:N+1-i
if temp(j,2)<temp(j-1,2)
t=temp(j-1,:);
temp(j-1,:)=temp(j,:);
temp(j,:)=t;
end
end
end
for i=1:N/2 % 将排好的A逆序
t=temp(i,2);
temp(i,2)=temp(N+1-i,2);
temp(N+1-i,2)=t;
end
for i=1:N
A(temp(i,1))=temp(i,2);
end
B=A;

复制代码

种群选择操作：

function [newpop]=selection(pop,fitvalue)
global popsize;
fitvalue=hjjsort(fitvalue);
totalfit=sum(fitvalue); %求适应值之和
fitvalue=fitvalue/totalfit; %单个个体被选择的概率
fitvalue=cumsum(fitvalue); %如 fitvalue=[4 2 5 1]，则 cumsum(fitvalue)=[4 6 11 12]
ms=sort(rand(popsize,1)); %从小到大排列，将"rand(px,1)"产生的一列随机数变成轮盘赌形式的表示方法，由小到大排列
fitin=1; %fivalue是一向量，fitin代表向量中元素位，即fitvalue(fitin)代表第fitin个个体的单个个体被选择的概率
newin=1; %同理
while newin<=popsize % && fitin<=popsize
if (ms(newin))<fitvalue(fitin) %ms(newin)表示的是ms列向量中第"newin"位数值，同理fitvalue(fitin)
newpop(newin,:)=pop(fitin,:); %赋值 ,即将旧种群中的第fitin个个体保留到下一代(newpop)
newin=newin+1;
else
fitin=fitin+1;
end
end

复制代码

百度网盘链接如下：
链接：http://pan.baidu.com/s/1o8K0SgM 密码：rh3i

		自动登录	找回密码
密码			立即注册