本科毕业论文-—基于邻域克隆选择学习算法的分馏系统资源优化.doc

宁波大学信息与科学工程学院本科毕业设计（论文） 题目：（中文）基于邻域-克隆选择学习算法的分馏系统资源优化（英文）Optimization of distillation resources based on neighborhood- clonal selection learning algorithm 诚 信 承 诺我谨在此承诺：本人所写的毕业论文基于邻域-克隆选择学习算法的分馏系统资源优化均系本人独立完成，没有抄袭行为，凡涉及其他作者的观点和材料，均作了注释，若有不实，后果由本人承担。 承诺人（签名）： 年 月 日摘 要【摘要】针对化工分馏系统资源优化问题，本文在结合生物免疫的克隆选择和人工免疫网络算法的基础上，采用了Agent的思想，提出了一种邻域-克隆选择学习的全局优化算法（N- Clonalg）。N- Clonalg通过定义网格化的邻域操作环境，使每个个体完成全局-局部的搜索操作。不同于其它人工免疫算法，N-Clonalg的主要搜索算子有邻域克隆选择、邻域竞争和自学习算子，能有机结合全局与局部搜索，多峰测试函数表明能较好地克服了克隆选择算法（Clonalg）的早熟及人工免疫网络算法（Opt-aiNet）收敛速度慢现象，能在个体空间中有效地实现全局最优搜索。分馏系统资源优化的实例表明它具有较好的最优解搜索性能，能较好地实现化工中的寻优问题。但是资源优化模型运行起来速度较慢，针对这一现象，结合神经网络的特点，先用rbf神经网络逼近化工模型，当逼近到一定程度，再调用化工模型进行资源优化。利用这一思维，更好地进行了分馏系统资源优化的进行，更加快捷有效。【关键词】克隆选择学习；邻域-克隆选择学习算法；多模态优化；分馏装置；RBF神经网络。Optimization of distillation resources based on neighborhood- clonal selection learning algorithm Abstract【ABSTRACT】Faced with the problem of resources optimization in chemical fractionation system, in this paper, we propose a global optimization algorithm(N-Clonalg) of neighbourhood - clonal selection study, which is combined with biological immune clonal selection and artificial immune algorithm based on the network and adapts the idea of Agent. By defining the grid operating environment of the neighbourhood, so N-Clonalg make each individual complete search operations from local to global. Unlike other artificial immune algorithm, N-Clonalg has the main search operators, such as the neighbourhood clonal selection, neighbourhood competition and self-learning operator.Combining global and local search organic, N-Clonalg overcomes the phenonmena of Clonalg precocious and Opt-aiNet slow convergence better and achieves global optimal search effectively in the individual space, which is proved in Multi-peak function test. Indeed, fractional system resource optimization examples also show that it has better search performance of the optimal solution, and can better achieve the solution in the optimization problem. However,there is a phenomenon that resource optimization model is running slow.For it,combined with the characteristics of neural networks,using RBF network to approach the chemical model.when the optimization is close to a certain extent,then calling the chenical model for resource optimization.With this opinion,the optimization of the fractionation system resources is better,more efficient and effective.【KEYWORDS】Clonal selection learning;Neighborhood-clonal selection learning algorithm; Multi-modal optimization; Distillation column;RBF network.目录目录V1绪论11.1选题的意义和背景11.2免疫算法的发展历史和研究现状11.3免疫算法的应用和研究前景21.4本课题的研究内容和研究目标32免疫算法的基本理论42.1免疫算法基础42.1.1免疫系统构成42.1.2免疫系统的主要功能52.2克隆选择算法62.2.1克隆选择学说72.2.2克隆选择算法82.3人工免疫网络算法92.3.1opt-aiNet算法步骤102.3.2opt-aiNet算法分析112.4本章小结113邻域-克隆选择学习算法123.1邻域-克隆选择学习算法的几种算子133.1.1定义133.1.2进化操作算子143.2算法描述153.3算法性能验证163.3.1多峰测试函数收敛性验证163.3.2算法的性能分析和比较203.4算法分析213.5本章小结214邻域-克隆选择学习算法的分馏装置资源优化应用224.1分馏装置模型优化分析224.1.1分馏系统资源优化模型224.1.2装置测试分析234.2邻域-克隆选择学习算法的应用244.2.1收敛性验证244.2.2算法的性能分析和比较254.3本章小结265神经网络-邻域克隆选择学习算法及应用275.1神经网络基础275.1.1神经网络的产生及意义275.1.2神经网络的特征275.1.3神经网络的发展趋势285.2用神经网络逼近化工模型295.2.1RBF神经网络的性质及特点295.2.2RBF神经网络的学习方法315.2.3用RBF神经网络逼近化工模型325.3分馏系统资源优化中的应用335.4本章小结346总结356.1总结356.2展望35参考文献36致谢37附录3843基于邻域-克隆选择学习算法的分馏系统资源优化1 绪论1.1 选题的意义和背景化工过程往往涉及到寻优问题，但因为其寻优的模型的解析表达是不是一个线性的、简单的数学表达式，所以传统的优化策略往往不能解决问题。分馏系统的资源优化就是一个典型例子，其模型很难用明确的数学表达式描述，所以这类优化问题一直是化学工程的难题。与传统的优化技术相比，一些智能进化算法如：遗传、模拟退火和禁忌搜索等虽然通用性强、能并行处理及最终能收敛到全局最优解等优点1。然而在实际应用中，这些算法还存在诸如早熟、难于确定控制参数、收敛速度慢等许多弊病。因此，寻找一种适合复杂工程问题寻优的高效全局优化算法是极其必要的。生物免疫作为一个高效的复杂的系统，可以通过学习、记忆、识别等各种手段来对信息进行处理。因此，生物免疫系统具有整体、局部搜索能力强的特点2。近年来，人们从生物系统中获得灵感，提出了采用免疫计算途径实现的学习方法，如克隆选择算法（Clonalg）3和人工免疫网络算法（Opt-aiNet）4。本文在结合（Clonalg）和（Opt-aiNet）的基础上，并采用Agent的思想，提出了一种邻域-克隆选择学习算法（N- Clonalg），与克隆选择算法(Clonalg )和人工免疫网络算法（Opt-aiNet）相比，该算法具有收敛速度快，全局搜索性能好，更适合于工程优化。于此同时，神经网络由于其大规模并进行处理、容错性、自组织、自适应能力和联想功能等特点，已成为解决很多问题的有力工具。本课题中利用的是神经网络能逼近非线性对象这一特点，将rbf神经网络和邻域-克隆选择学习算法（N- Clonalg)结合，对分馏系统进行资源优化。1.2 免疫算法的发展历史和研究现状免疫算法是一种多峰值搜索算法，它是根据生物免疫系统对病菌的多样性识别能力这一特性研究出来的。免疫反应是有免疫器官及一些特殊的基因产生的一种特异的生理反应。免疫系统对侵入生物系统的抗原产生反应，形成抗体。也就是当生物系统中受到外界病毒侵害，自身免疫系统就被激活，从而使整个生物系统正常运行。从计算的角度看，生物免疫系统具有学习、记忆和特征提取能力，是一个完整的复杂的高效的系统。人类从生物的角度出发，将生物中一些特性，应用到信息处理中。免疫算法就是其中的一例。人工免疫系统也成为人工智能的崭新分支。十九世纪五六十年代，澳大利亚学者Burent提出克隆选择原理，并因此获得诺贝尔奖。后来，他又对该原理进行完善。什么是克隆选择原理？克隆选择原理是一种算法理论，该理论阐述的是对抗原产生的反应，只有识别抗原的细胞才能产生增值。十九世纪末，著名科学家Hunt对克隆选择原理进一步研究，提出另一新的学说，高频变异学说。十九世纪七十年代，诺贝尔获奖者Jerne为免疫网络建立了数学模型，为免疫算法奠定数学基础。之后Farmer5、Perelson6、Bersini、Varela等学者分别在免疫算法这一领域发表相关论文，并作出突出贡献。他们在这方面的突出贡献，为该领域开辟了新的道路。后来在十九世纪末，在美国召开人工免疫系统专题会议，人们对免疫系统的兴趣越来越大。人工免疫系统领域是一个崭新的领域，用来解决工程上的一些问题。 二十世纪年代末，人工免疫系统成为人工智能的研究热点。自先前提出克隆选择算法，美国科学家Forrest、Perelson提出否定选择算法7。于此同时，IBM公司也开始对计算机免疫系统进行研究，也因此同时研发出了用于病毒防护的计算机免疫系统。二十一世纪年代初，Castro和Timmis对否定选择算法进行了修改，引入变异这一概念。同年，Kim和Bentley提出了动态克隆选择算法。至今，越来越多的学者和科学家投入到免疫算法这一领域。1.3 免疫算法的应用和研究前景人工免疫算法在很多领域都有应用，且得到很大显著成效。尤其在计算机科学领域，应用到免疫算法非常多，例如来解决优化计算、TSP问题、数据分析等。应用到的领域方面可以分为几下方面：（1） 智能控制在实际工业被控对象中，因为对象具有非线性、不确定性和时变性的复杂特点。因为传统控制方法不能得到很好的控制效果，所以将免疫算法应用到控制领域中，即智能免疫控制器。（2） 组合优化二十一世纪初，De Castro提出一个关于克隆选择算法的建议框架，并将其应用到组合优化问题的求解9。在国内，戚玉涛，焦李成等人将人工免疫系统算法应用到大规模TSP问题10。相继以来，王磊又提出了一种新的算法，协同进化免疫算法。当然，也有人将经典搜索算子与免疫算法结合，用于组合优化问题。（3） 图像处理 图像处理中，最佳视差图是很重要的一点。人过通过应用免疫算法来得到最佳视差图。与传统的模拟退火算法相比，免疫算法虽然也许不能得到全局的最优视差图，但其匹配速度快，高效。（4） 多目标优化 在多目标优化这一领域中，Coello提出了基于克隆选择的多目标优化算法11，为该领域提出了一种新的解决方案。国内焦李成等人在这方面成果显著，在原来国外成果的基础上。引入了约束这一条件，并通过对免疫机制的了解，提出了对约束多目标优化问题的解决方案。（5） 数据处理 信号数据处理方面，邵学广应用了免疫机理的特点，实现了混合色谱信号的解析12。同时，免疫-遗传算法也可以实现二位色谱的快速解析。在数据分析这一领域，免疫算法越来越被重视，且被应用到。（6） 机器人 机器人这一名词，为我们所熟悉。越来越多的机器人在被生产，且服务于人类。机器人也越来越智能化。免疫算法也更多地应用到机器人身上。例如，刘克胜根据选择学说和网络学说，提出了一种自适应的新算法13。将该算法应用到机器人身上，机器人能完成一些特点的复杂活动。不需要人为操作，自发地完成任务。 1.4 本课题的研究内容和研究目标研究内容： （1）了解免疫算法的原理和特征，对免疫算法有一个大致的掌握。针对众多的免疫算法，本课题挑选了克隆选择算法和人工免疫网络算法这两种算法，并对这两种算法进行深入地学习。学习和掌握这两种算法的原理以及如何实现算法的编写，通过算法的运行，了解这两种算法的优缺点。 （2）了解神经网络的特征。着重于神经网络能逼近非线性对象这一特性，掌握和学习rbf神经网络。学习rbf神经网络的构成，以及通过哪些学习方法来构成rbf神经网络，利用rbf神经网络逼近非线性对象。研究目标：根据克隆选择算法和人工免疫网络算法的优缺点，结合智能体这一概念，提出一种新的算法邻域-克隆选择学习算法（N- Clonalg）。在这基础上，再结合rbf神经网络，应用到分馏资源优化中。2 免疫算法的基本理论2.1 免疫算法基础“免疫”顾名思义就是免除传染病的意思，这词最初见于明朝时期的免疫类方一文。在国外，免疫（immune）是从拉丁文“immunis”出来的，也是免除疾病的意思。免疫反应是指机体接触到异物后产生的生理反应，用来保护自身的安全。免疫中有个特殊的概念就是抵抗力，抵抗力越强，其生存能力就越强。这些都是属于生物学范畴。随着科学的发展，免疫这一概念也别应用到信息技术中。免疫分“自体”和“非自体”。对那些抗原性异物，机体作出反应，该行为可以被称作是免疫应答或者免疫耐受。一般的免疫系统包括免疫器官、免疫细胞和免疫分子。免疫学是一门年轻的学科，才处于起步阶段，但是用免疫学的方法来预防病毒可以追溯到300多年前。在古代，我国人们已经懂得用人痘来预防天花。经典的免疫学开端，是被认为二十世纪七十年代“牛痘”的发明。自从那时开始，生物学不断发展，且取得巨大成就。而免疫这方面又是相当重要的一方面，备受关注和研究。很多学者和科学家致力于研究这方面。久而久之，免疫学已经成为微生物学中一个独立的重要的学科15。2.1.1 免疫系统构成 高等动物和人类具有一套完整的免疫系统，其免疫功能是机体产生反应的物理基础。它有三方面组成：免疫器官，免疫细胞和免疫分子。具体如图2-1所示：图2-1免疫系统组成免疫器官主要由两方面组成：中枢免疫器官和外围免疫器官。其主要是免疫细胞分化增值的场所。免疫细胞主要由四方面组成：干细胞系、淋巴细胞系、单核吞噬细胞系和其他细胞系。其中最主要的淋巴细胞系，主要有两类细胞组成:T淋巴细胞和B淋巴细胞。其次重要的单核吞噬细胞系。免疫分子主要由三方面组成：T细胞抗原体、B细胞抗原体和抗体分子。2.1.2 免疫系统的主要功能免疫反应是人的特定的生理反应，当抗原性异物侵入到身体时，为了保持自身的稳定作出的免疫反应。其主要内容包括：免疫识别、免疫应答、免疫耐受、免疫记忆。（1） 免疫识别 在机体免疫功能和免疫系统识别过程中是重要的前提。对于免疫识别的现象，奥地利免疫学家伯内特提出的一个细胞克隆选择学说，学说：胚胎细胞分化，体内已经形成的是，克隆特异抗原，细胞表面受体的淋巴细胞数量。与相应的受体抗原的淋巴细胞进入人体后，其表面抗原受体特异性结合，导致克隆淋巴细胞活化，繁殖，分化，引起特异性免疫反应。此外，抗体抗原表位，它可以是人体自身产生抗体识别并触发反应，使抗体识别抗原和其他抗体承认双重国籍。（2）免疫应答免疫反应的免疫细胞识别抗原分子，活化，分化和生产的整个过程中的免疫效果，免疫反应通常是由抗原引发的各种免疫细胞参与了一系列的反应。首先是处理后提交给适当的T细胞抗原传递的抗原呈递细胞，细胞分子通过细胞膜上或分泌的因素，进一步激活其他免疫细胞，免疫效果，并通过补体介导的细胞活化后促进抗原和细胞因子介导的炎症反应的靶细胞的吞噬作用的成分，并最终清除抗原，维持身体内部的平衡与稳定。免疫反应可以表示为两种类型：一方面是阳性免疫反应，在正常情况下，非自身抗原的排斥作用;另一方面是负面的免疫反应，在正常情况下，在人体的自身成分的宽容状态。免疫反应的需要，主要分布在淋巴结，装载与外周免疫器官脾的地方。（3）免疫耐受在一个特定的反应迟钝的抗原物质接触时的免疫细胞的免疫耐受。这是另一种重要的免疫反应类型，其表现之一，而不是一个积极的免疫反应，免疫调节，但也有各种非特异性免疫抑制，后者的抗原特异性，多种抗原表现出反应或低响应。按照免疫耐受的特点，它可分为自然容忍容忍两种。其中，人体自身的组成并没有发生免疫反应是自然的容忍现象，并自称容忍;人工诱导相比获得宽容的机体免疫耐受的形成。在以下几个方面的免疫耐受的一般特征：特定的排斥或抑制抗原特异性T细胞或B细胞免疫耐受;不成熟比成熟淋巴细胞的细胞耐受诱导更容易;诱导和维护宽容，需要忍受原来的继续存在。（4）免疫记忆当身体接触后，接触到相同的抗原特异性抗原，抗体的潜伏期比最初的反应是显着缩短，含有抗体显着增加，并保持很长一段时间，这当同一抗原再次侵入人体，造成更强的免疫，更高亲和力的抗体生成的现象被称为免疫记忆。在免疫记忆现象可以发生在体液免疫或细胞免疫功能。免疫记忆的基础上产生免疫记忆细胞。2.2 克隆选择算法在工程实践中，许多问题都可以抽象为多模态函数优化的目标函数通常需要不仅能确定目标函数的全局最优解，并要求搜索出所有的局部最优解，如复杂性，系统参数及结构鉴定。多模态函数存在多个全局最优解或全局最优解和局部最优解全局最优解的特点是难以确定。正常情况下，遗传算法，精英和免疫遗传算法的多模态函数的最大峰值与精英只搜索几个峰值搜索无能为力。生活后的小生境技术的引进，免疫遗传算法，遗传算法，该算法是有效的多模态函数的局部峰搜索的数量。但该算法仍具有明显的缺陷，小生境遗传算法（免疫遗传算法）不能搜索的多模态函数的所有局部极小，运行慢，搜索结果，精度不高缺乏衔接性能。克隆选择理论16是用来解释生物免疫系统的机制，如何消除外来抗原。简而言之：当一种抗体来识别外来抗原，它被选择的增殖，并产生大量的抗体。这种扩散是在有丝分裂，即没有自我传播的跨性别，作为克隆。在克隆过程中，该抗体进行高频率的变异性和强大的选择压力，在选定的抗体和抗原具有高亲和力。标准遗传算法无法描述的克隆选择理论，有两个重要特点：亲和力育种和基因突变的比例。2000年，卡斯特罗和冯氐提出克隆选择算法，CLONALG命名。CLONALG算法能够产生高亲和力的抗体，并选择改进的后代，这意味着，CLONALG贪婪的搜索功能：搜索周围的空间，一个单一的抗体是搜索空间，是一个更广泛的搜索，可以实现局部优化和新生儿抗体。此功能允许CLONALG算法很快被广泛使用的优化问题，特别适合解决多模态优化问题。2002年，卡斯特罗和冯氐地址多模态函数优化的小生境遗传算法的改进算法和比较测试的问题，可以定性看到的结果更高峰的搜索功能的改进CLONALG算法。在这里，我强调克隆选择理论和算法，其优点和缺点。2.2.1 克隆选择学说 伯内特在1959年的克隆选择理论学说，免疫细胞是随机形成的细胞克隆的多样性，每个细胞克隆表达抗原刺激受体相同的特点，特定的细胞表面受体识别和结合抗原，导致细胞克隆扩增，导致大量的后代，一个相同的特异性抗体的大量合成。克隆选择类似达尔文变异和自然选择过程：克隆竞争性结合的病原体。最高的亲和力，最佳改编，复制到。克隆选择的原理： 克隆选择原理的基本思想是唯一的细胞能够识别抗原扩增，只有这些细胞可以选择保留，而那些无法识别细胞中的抗原没有选择，也不扩增。小的“休眠”在骨髓中的B细胞含有不同类型的抗体。这些含有抗原特异性PCR受体细胞分化成浆细胞和记忆细胞。 达尔文的生物进化论的原理是相似的免疫系统，也有进化现象。在免疫系统的B细胞受体，可以用一个n维实向量描述的形状，它可以表示为n维欧几里德空间，说空间是欧几里德形状空间。两架B-细胞受体的形状是在空间的形状，越接近他们更多类似的当抗原进入身体，形状互补程度较大的B细胞受体和抗原，同时较高的亲和力，因而更容易结合通过以下的进化过程中的B细胞抗体组：选举和高抗原的亲和力B细胞的入侵。在细胞分裂成若干子B细胞，被称为克隆扩增。小组B细胞受体母细胞，即突变的基础上形成的轻微变化。B细胞克隆扩增和工频磁场的变化，在空间B细胞的形状，产生一个子搜索在当地，高亲和力B细胞的数量。在较高的子B细胞克隆扩增，产生亲和力同时，也有低亲和力的子B细胞。一些低亲和力的子B细胞删除其受体并产生一个新的受体，称为受体变异。分B细胞受体变异的突变，从它们的形状空间的远点，在寻求高亲和力B细胞的过程中，以避免陷入局部最优。一些低亲和力的子B细胞死亡，而骨髓产生新的B细胞，加入小组，以保持种群的多样性。经过几代人的选择，克隆扩增，受体变异的过程中产生新的B细胞和骨髓，B细胞产生最终的高亲和力。这些B细胞分化成记忆细胞或浆细胞产生抗体与受体的形状相同的形状，以消除抗原，适应性免疫反应的发生。2.2.2 克隆选择算法2000年，卡斯特罗等。克隆选择和推广的进一步丰富，提出了一个简单的克隆选择算法（CLONALG）。该算法包括一套抗原，B细胞/抗体组，一组存储单元的高变异性的B细胞克隆增殖，最佳模式选择内存的基本操作。用于字符识别，多模态函数优化和旅行商问题的解决，仿真结果表明，利用克隆选择方法，以保持在人口格局的多重最优解的算法。（1）克隆选择算法的流程CLONALG算法是今年来提出的比较典型的一种免疫选择算法，该算法具体流程如下：Step1：生成初始候选解集Ab,Ab是由记忆单元（Abm）和保留种群（Abr）组成，Ab=Abm+Abr;Step2：根据亲和度计算，在Ab中选择n个亲和度最高的抗体，组成一个新的集合（Abn）;Step3：对Abn中的每一个抗体进行克隆选择，产生新的克隆种群C；克隆操作是指对所选出的抗体进行复制。一般的克隆选择操作是与亲和度成正比的。即亲和度越大，克隆的个数越多。但对于函数优化，每个抗体克隆体的个数相同，都是Nc个。Step4：克隆群C经过亲和度成熟操作，生成成熟的抗体集C。亲和度成熟操作是指对新产生的抗体集C进行超变异操作，变异率与抗体的亲和度成反比。即抗体亲和度越大，变异率越小；反之亦然；Step5：确定C各个抗体的亲和度值；Step6：根据亲和度值，从C中选取n个亲和度最高的抗体进入Ab；Step7：随机产生d个新抗体，替代Ab中d个亲和度最低的抗体。重复step2-step7,直到结束条件满足。CLONALG算法的大致流程图2-2如下：图2-2 克隆选择算法流程 （2）克隆选择算法的特点以上所述可以看出，不是一个简单的进化算法的改进，而是一个新的人工免疫系统的克隆选择算法。首先，来自免疫系统，而不是自然进化的克隆选择算法，使用进化算子，这主要是因为交叉和变异的基本思路是在细胞基因水平的主要操作和生物学基础进化和免疫细胞基因的变化。第二，具体的算法，进化算法的全局搜索的重点，而忽略了本地搜索，但克隆选择算法是两者的结合，克隆操作，其中有一个更好的人口多样性的作用。第三，进化算法更强调个人竞争，不太关心的物种之间的合作，而克隆选择算法，人工免疫系统算法是不同的，唯一的记忆细胞，在细胞水平上，由于抗体库之间的相互合作，疫苗和免疫优势存在;算法结构，不但强调抗体人口的健身功能的变化也对抗体的克隆选择算法和其改进身体亲和力的概念之间的相互作用变化的多样性有关。最后，在一般的遗传算法，交叉是主要的运营商，突变的背景下运营商，但是，相比之下，克隆选择算法的单克隆算子的克隆选择算法的性能仍然是强于相应的遗传算法。2.3 人工免疫网络算法本研究主要考虑的多模态函数优化问题，是解决全球最佳的解决方案，在实际应用中，以获得多种选择或信息的范围很广，不仅要求获得全局最优解解决问题的目标函数，并且也要求尽可能局部最优解的多。虽然常用的数值优化方法，如梯度下降法，混沌优化方法搜索和收敛速度快，精度高，但在解决全局最优解常用的优势，这是很难找到几个局部最优解。的仿生进化中具有独特的优势，近年来，在复杂的优化问题的解决提出建议多峰函数优化进化算法，如健身共享方法，序列利基法律，法简单分组的功能，协同进化共享利基，以及在上一节讨论了克隆选择算法（CLONALG）等。但他们仍然适应能力不强，搜索结果是不能令人满意的，对复杂问题的解决不足的能力有限，这是需要探索新的多峰函数的优化方法。 人工免疫网络是一种新的基于人工免疫系统的智能算法。二是更多的免疫网络模型的人工免疫网络算法领域有影响力的资源有限的迪米斯人工免疫系统（资源有限人工免疫系统，RLAIS），CLONALG卡斯特罗的aiNet。库克和亨特是基于机器学习，人工免疫网络算法的自然免疫网络系统的学习和记忆能力。上厨师和亨特，迪米斯在资源有限的人工免疫系统的基础上;和B细胞模拟的基础上，建立一个类似功能的人工识别球（ARB的人工识别球）。迪米斯认为人工免疫系统是一个ARB的固定数量组成。 独特的免疫调节网络的启发，castr。aiNet免疫网络算法，该算法模拟免疫网络的抗原刺激，基于克隆选择，否定选择，免疫网络“和其他免疫原则最初用于解决数据聚类问题。aiNet被称为网络演进进化策略可以用于控制网络的动态和塑料。卡斯特罗和的迪米斯作为一个多峰优化问题的聚类问题，并根据这种思维导向的多峰函数优化，人工免疫网络算法称为选择aiNet算法。该算法可以有效地提取目标函数的局部峰值，并有群体的优良特性，自动调整实数编码的数量，但有时早熟的现象，但更多的算法特性缺乏分析。2.3.1 opt-aiNet算法步骤待优化问题目标函数视为抗原，函数的解视为抗体，亲和力为抗体所对应的函数值，抗体与抗体之间的相似度由二者之间的欧氏距离确定。Castro的opt-aiNet算法流程如下:Step1:随机产生一个抗体群(抗体网络)，初始群体中各个网络抗体是不相关的;初始化各个参数值:网络抑制阈值s，初始群体个数N，克隆增殖数目Nc，随机加入新抗体比例d%，指数函数衰减数，最大迭代次数Ngen；Step2:如果算法停止条件满足，则退出;否则，继续; Step2.1:计算抗体群中每个抗体的适应度值，并把适应度向量正规化到0，l; Step2.2对每一个抗体进行克隆复制Nc份，并与父代抗体组成一个克隆群体，形成规模大小为NNc抗体网络; Step2.3:对每一克隆群体进行适应度比例超变异，但不对父代抗体进行超变异操作，超变异操作按照式（2-1）进行; Step2.4:计算每个克隆群中各个抗体的适应度; Step2.5:对每一克隆群，选择适应度最大的抗体组成一个新抗体群，并计算改抗体群的平均适应度; Step2.6:如果该抗体群的平均适应度与前一代抗体群的平均适应度差别不大(通常平均适应度误差为0.0001)，则继续;否则转至Step2.1;Step3:计算抗体群网络中每个抗体之间的亲和度，抑制除具有最大适应度的抗体之外的所有亲和度低于阈值s的抗体，网络抑制后，计算网络中抗体的数目，即使一记忆抗体的数目，并将记忆抗体保存;Step4:引入原抗体群数目d%的随机产生抗体，并与记忆抗体组成新的抗体群，返回Step2。2.3.2 opt-aiNet算法分析选择的aiNet，第一步首先介绍了在域的目标函数或可行区域一定数量的抗体（实值向量），人工免疫网络的组成。第二步：每个网络防断选择局部最优解克隆选择。具体做法是：第一克隆增殖的抗体经营的若干副本;变异算子变异，每个克隆，并保留不是变异抗体的克隆群体;然后选择最高的克隆，如果克隆健身高，原比原抗体的抗体，而不是适应。这个过程中知道，平均抗体与前一代或不那么远，网络的稳定网络的平均健身健身。第三步，第四步，当网络稳定，抗体阴性选择小于默认亲和力的抗体相互作用网络来抑制抑制阈值，其余抗体和记 保留的记忆细胞。最后，引入一个新的抗体随机，重复上述过程，直到你达到收敛条件至今。在内存抗体年底的算法是局部最优解的搜索。2.4 本章小结克隆选择算法是基于亲和度为比例的繁殖和变异，该算法使后代产生高亲和度的抗体，具有贪婪性，可以使局部个体趋于最优。正是这一特性，人们可以借助于CLONALG算法来解决多模态优化问题。但是因为克隆选择算法是追寻局部最优的，所以他会出现早熟现象。即他的优化能力不是很强。而opt-aiNet算法虽然克服了克隆选择算法的早熟现象，但它收敛速度较慢，在一些要求收敛速度很快的场合是不适用的。所以总的来说，克隆选择算法和opt-aiNet算法各有自己的优缺点。本章主要是学习这两种算法，为下文提出的新的改进的算法-邻域克隆选择算法做一个理论铺垫，以便更好地研究和验证新算法。3 邻域-克隆选择学习算法智能体（agent）这一全新概念，第一次被提出是在智力社会一文中。它是用来认识和模拟人类智能行为的一个实体，可以是一个软件也可以是一个硬件。那怎样来定义Agent这一概念，著名科学家Hewitt认为这是很困难，就像以前人们定义智能是什么一样。当今，普遍学者和科学家认为，智能体可以被看做一个计算实体，生存于某一特定环境，且有生命周期。这种实体能感知周围环境，通过自身的生存运行来影响自身和周边环境。十九世纪八十年末，Bratman提出BDI模型（用来描述智能体特性），在此模型中，作者定义了模型中的智能体的三种状态：信念（拥有的知识），期望（能力）和意图（达到的目标）。该模型中所有智能体的运转都是由这三种状态不断变化形成的，通过环境和周边智能体与自身的关系。Agent不能被翻译成“代理”，而应被描述成“智能体”。另外很重要的一点，agent的自治特性是很有必要的。智能体作为一个实体，或物理的或抽象的，受环境和周边影响，作用于自身和反作用于环境。智能体，一个独立的智能体实体，明显具有智能特性，其特性包括以下几方面：（1）自主性作为一个智能体，自主性是其一个非常重要的特性。自主性，就是一个智能体拥有自己的思维，不借助他人的帮组，可以自发地控制自身的行为和计算资源。对环境的变化，自身通过感知并作出一定的反应，自发地运行自身。（2）反应性上面介绍智能体的时候已经提到智能体能感知环境，并对环境作出反应。但除了这方面的反应，智能体还可以因为目的的不同而作出反应，影响自身和环境。所以，总的来说，智能体的反应性可以分为主动和被动。在一些特定的情况下，智能体为了实现自身的特定目标，主动地对环境进行感知和反应。（3）社会性正像人类群体一样，智能体也具有社会性。智能体往往不是孤立存在的，他们或多或少组成一个社会性的群体。在这一群体中，就像在人类社会中一样，需要像人类一样，学会竞争和协作，通过自身努力，使自身能在这一群体存活下来。（4）进化性就像上面的社会性一样，智能体同样像人类一样具有进化性。适者生存，不适者淘汰。这就是一直以来的生存发着。智能体只有通过感知环境，不断学习，进化自己，才能在群体中存活下来。3.1 邻域-克隆选择学习算法的几种算子邻域-克隆选择学习算法(N-Clonalg)在结合克隆选择和人工免疫网络算法的基础上，采用了Agent的思想。一个agent可以是一个能感知并作用于环境的一个实体，很多个这样的实体就可以构成一个多Agent系统17，其特性主要表现为：（1）每个Agent能感知局部环境的能力；（2）没有系统的全局控制；（3）数据是分散的；（4）计算是异步的。3.1.1 定义在邻域-克隆选择学习算法中，一个Agent表示表示目标函数的解。所有Agent放在一个规模为的网格L上，每个Agent占一个格点位置且不能移动。Agent的网络如图3-1，圆圈代表一个Agent，图中的数字代表该Agent的位置，有连线的两个Agent才能发生作用。图3-1 Agent网络定义1：将位置（i,j）的Agent表示成；i,j=1,2,的邻域为,=,其中 (3-1)定义2：Agent的能量定义为优化模型的目标函数值，则 Agent 的能量表示为： (3-2) 这里为Agent 的目标函数值。 传统遗传算法，往往是通过适应度的角度从整体种群中来选出那些能产生后代的个体，而这往往需要从整个群体出发。 他是一个全局适应度分布，需要全局选择。但在自然中，基本上不存在全局选择，只有自然选择。而自然选择其实就是一个与局部环境有关的全局现象。其显著的现象表示，就是自然选择中的进化。每个智能体在智能体网络中，为了生存需要获得更多的资源，他们必须与网络中的其他智能体进行竞争或者合作。因为每个智能体的反应都是局部现象，至于周边有关，不需要全局的选择和确定全局的适应度分布。