免疫算法实例.docxVIP

智能控制课程综合报告 学 院自动化学院专 业控制科学与工程学 号学生姓名指导教师 2016年6月7日 基于免疫优化算法的物流中心选址 1、建立模型 在物流配送中心选址模型中做如下假设 1）.配送中心的规模容量总可以满足需求点需求，并由其配送辐射范围内的需求量确定。 2）.一个需求点仅由一个配送中心供应。 3）.不考虑工厂到配送中心的运输费用。 然后要从n个需求点中找出配送中心，并向需求点配送物品。目标函数是各配送中心到需求点的需求量和距离的乘积之和最小。 目标函数如下： 2、问题的求解 2.1算法的实现步骤： 1）.产生初始种群。 2）.对上述群体中各个抗体进行评价。 3）.形成父代群体。 4）.判断是否满足条件，是则结束，反之，则继续下一步操作。 5）.新种群的产生。 6）.转去执行步骤2。 2.2流程图如图1-1： 图1-1 算法流程图 2.3初始群体的产生 如果记忆库非空，则初始抗体群从记忆库中生成。 否则，在可行解空间随机产生初始抗体群。此处 采用简单的编码方式。每个选址方案可形成一个长度为P的抗体（P表示配送中心的数量），每个抗体代表被选为配送中心的需求点的序列。如：考虑包含31个需求点的问题，从中选取6个作为配送中心。抗体[2,7,15,21,29,11]代表一个可行解。 2.4、解的多样性评价 1）.抗体与抗原之间的亲和力 表示新的目标函数，分母的第二项表示对违反距离约束的解给予惩罚C取比较大的正数。 2）.抗体与抗体之间的亲和力 其反映抗体之间的相似程度，此处借鉴Forrest等人提出的R位连续方法计算抗体之间的亲和力，两个个体有至少R位编码相同则两种抗体近似相同。 其中k表示抗体v和抗体s之间相同的位数，L为抗体的总长。例如，两个抗体[2,7,15,21,5,11]、[15,8,14,26,5,2]经比较有3个相同则亲和度为0.5。 3）.抗体浓度 4）.期望繁殖概率 在种群中，每个个体的期望繁殖概率与抗体与抗原之间的亲和力A和抗体浓度共同决定。 α是常数，可见个体的适应度越高，则期望繁殖率越大，个体的浓度越大，则期望繁殖率越大。这样就鼓励了高适应度个体，抑制了高浓度个体。 2.5免疫操作 1）.选择：按照轮盘赌机制进行选择操作，个体被选择的概率即为期望繁殖概率。 2）.交叉：采用单点交叉法进行交叉操作。 3）.变异：采用随机变异位进行变异操作。 3.模型的求解 为证明算法的有效性和可行性，采集了31个城市的坐标，每个用户的位置以及物资需求进行仿真。 根据配送中心选址模型，按照免疫算法流程对该例求解。 参数设置： 种群规模：50； 记忆库容量：10； 迭代次数：100； 交叉率：0.5； 变异概率：0.4； 多样性评价参数：0.95； 4. matlab仿真结果 图4-1 适应度曲线 图4-2 选址方案 最后，结果选址方案是[5,25,18,9,12,27],如图中所标，可以看出免疫算法有 较好的收敛性。 5.算法应用展望 免疫算法能够增强系统的鲁棒性，从选址的模型上看，免疫算法就是解决了最优花费的一个聚类，因此，希望在后期的研究中能应用在多模式分类问题上。 附录： Matlab求解的主程序： %% 算法基本参数 sizepop=50; % 种群规模 overbest=10; % 记忆库容量 MAXGEN=100; % 迭代次数 pcross=0.5; % 交叉概率 pmutation=0.4; % 变异概率 ps=0.95; % 多样性评价参数 length=6; % 配送中心数 M=sizepop+overbest; %% step1 识别抗原,将种群信息定义为一个结构体 individuals = struct(fitness,zeros(1,M), concentration,zeros(1,M),excellence,zeros(1,M),chrom,[]); %% step2 产生初始抗体群 individuals.chrom = popinit(M,length); trace=[]; %记录每代最个体优适应度和平均适应度 %% 迭代寻优 for iii=1:MAXGEN %% step3 抗体群多样性评价 for i=1:M in