导读:本文包含了免疫进化策略论文开题报告文献综述及选题提纲参考文献，主要关键词:免疫多目标进化算法,克隆选择,差分进化,自适应
免疫进化策略论文文献综述
康锰,许峰[1]（2019）在《多进化策略自适应免疫多目标进化算法》一文中研究指出为了在基于克隆选择的免疫多目标进化算法中提高种群的多样性,提出了一种基于目标函数变化率的多进化策略自适应免疫多目标进化算法,以采用克隆选择的免疫多目标进化算法为基础,根据目标函数的变化率,在不同的进化阶段自适应地选择两种不同的差分进化策略,在保证算法收敛速度的同时兼顾种群的多样性,避免算法陷入局部最优。选用DTLZ测试函数对新算法进行了性能测试,并与其它算法进行了比较。结果显示,新算法解的分布性和均匀性有了一定程度的提高。(本文来源于《安徽理工大学学报(自然科学版)》期刊2019年05期）
翟志波,宋光婕[2]（2019）在《基于双种群进化策略的教与学-免疫克隆多目标进化算法》一文中研究指出目的用基于双种群进化策略的教与学-免疫克隆多目标进化算法(multi-objective teaching-learning-based optimization with immune clone algorithm, MTLBO-ICA),解决无约束多目标优化问题。方法将局部搜索能力强的免疫克隆算法(immune clone algorithm, ICA)与全局搜索能力强的教与学优化算法(teaching-learning-based optimization,TLBO)算法相结合;采用Pareto交叉算子,使得优秀个体基因尽可能得到保留;采用Pareto支配的策略,将种群分为非支配个体和支配个体。结果相比于经典的多目标优化算法NSGA-II,SPEA2以及MOTLBO,MTLBO-ICA算法得到的Pareto曲线与真实Pareto曲线拟合的比较好。结论 MTLBO-ICA在收敛性和分散性方面都有很好的表现,能有效解决无约束多目标进化问题。(本文来源于《宝鸡文理学院学报(自然科学版)》期刊2019年02期）
李鸿儒,王晓楠,高仝[3]（2008）在《基于免疫进化策略的神经网络优化方法》一文中研究指出对神经网络的研究多年来主要集中于网络权值优化或结构优化上,却忽略了神经网络结构与权值之间密不可分的联系.针对上述问题,将免疫系统中的浓度机制和记忆机制引入进化策略,提出了一种基于免疫进化策略的神经进化算法,在优化网络拓扑结构的同时优化网络的连接权值.进一步地,用Cauchy变异算子代替传统的Gauss变异算子,以获得更为理想的全局收敛效果.理论分析和仿真结果表明,免疫进化策略能够很好地保持种群多样性,避免未成熟收敛,采用免疫进化策略设计神经网络具有良好的全局收敛性能和快速学习网络结构和网络权值的能力.(本文来源于《东北大学学报(自然科学版)》期刊2008年06期）
程博,郭振宇,王军平,曹秉刚[4]（2007）在《一种并行免疫进化策略算法研究》一文中研究指出基于克隆选择原理,提出一种自适应并行免疫进化策略.在算法中根据抗体抗原亲和度将初始抗体种群分为两个子群,相应地提出了精英克隆算子和超变异算子.通过精英克隆算子提高算法局部搜索能力,同时利用超变异算子维持种群多样性,通过这两个功能互补算子的并行操作实现种群进化.仿真表明,自适应并行免疫进化策略搜索效率高,能有效抑制早熟收敛现象,可用于解决复杂机器学习问题.(本文来源于《控制与决策》期刊2007年12期）
公茂果,焦李成,杜海峰,马文萍[5]（2007）在《用于约束优化的人工免疫响应进化策略》一文中研究指出基于克隆选择学说及生物免疫响应过程的相关机理,探讨一种新的人工免疫系统模型———人工免疫响应,提出用于解决约束优化问题的人工免疫响应进化策略;基于算法网络拓扑结构的分析表明,新算法比传统的进化策略(μ,λ)-ES具有更大的收敛概率.对10个标准测试问题的测试结果表明,与采用随机排序的进化策略和采用动态惩罚函数的进化策略相比,新算法在收敛速度和求解精度上均具有一定的优势.(本文来源于《计算机学报》期刊2007年01期）
杨孔雨,王秀峰[6]（2006）在《基于平衡峰值和梯度进化策略的多模态免疫算法》一文中研究指出通过考察现有的多模态优化算法。指出其存在的不足,并根据它们对峰值等高函数搜索效果较好,而对峰值不等高函数效果较差的共同特点,提出评价函数的平衡峰值策略并加以实现.基于免疫系统的抗体进化机制,集成传统的梯度进化思想,设计一种新的多模态免疫算法(MIA).给出算法主要操作算子的具体实现,并分析其运行机理、完全收敛性和计算复杂性.通过仿真实验,验证算法求解多模态问题,特别是求解具有不等高多峰函数的有效性、完全收敛性及快速收敛能力.(本文来源于《模式识别与人工智能》期刊2006年02期）
曹先彬,郑振,刘克胜,王煦法[7]（2000）在《免疫进化策略及其在二次布局求解中的应用》一文中研究指出利用一种免疫进化策略算法来求解二次布局问题。免疫进化策略保留了一般进化策略的随机全局搜索能力，又进一步借鉴生物免疫机制中抗体的多样度保持机制和基于浓度的调节机制，较好地维持了进化个体的多样性。求解结果相当完美。(本文来源于《计算机工程》期刊2000年03期）
免疫进化策略论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的用基于双种群进化策略的教与学-免疫克隆多目标进化算法(multi-objective teaching-learning-based optimization with immune clone algorithm, MTLBO-ICA),解决无约束多目标优化问题。方法将局部搜索能力强的免疫克隆算法(immune clone algorithm, ICA)与全局搜索能力强的教与学优化算法(teaching-learning-based optimization,TLBO)算法相结合;采用Pareto交叉算子,使得优秀个体基因尽可能得到保留;采用Pareto支配的策略,将种群分为非支配个体和支配个体。结果相比于经典的多目标优化算法NSGA-II,SPEA2以及MOTLBO,MTLBO-ICA算法得到的Pareto曲线与真实Pareto曲线拟合的比较好。结论 MTLBO-ICA在收敛性和分散性方面都有很好的表现,能有效解决无约束多目标进化问题。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
免疫进化策略论文参考文献
[1].康锰,许峰.多进化策略自适应免疫多目标进化算法[J].安徽理工大学学报(自然科学版).2019
[2].翟志波,宋光婕.基于双种群进化策略的教与学-免疫克隆多目标进化算法[J].宝鸡文理学院学报(自然科学版).2019
[3].李鸿儒,王晓楠,高仝.基于免疫进化策略的神经网络优化方法[J].东北大学学报(自然科学版).2008
[4].程博,郭振宇,王军平,曹秉刚.一种并行免疫进化策略算法研究[J].控制与决策.2007
[5].公茂果,焦李成,杜海峰,马文萍.用于约束优化的人工免疫响应进化策略[J].计算机学报.2007
[6].杨孔雨,王秀峰.基于平衡峰值和梯度进化策略的多模态免疫算法[J].模式识别与人工智能.2006
[7].曹先彬,郑振,刘克胜,王煦法.免疫进化策略及其在二次布局求解中的应用[J].计算机工程.2000