基于meta种群理论免疫遗传算法.docVIP

基于meta种群理论免疫遗传算法 　　摘要：自然meta－种群中局部种群之间存在相对隔离和种群个体冒险迁徙的机制，提出了一种基于meta－种群理论的免疫遗传算法。该算法模拟了自然meta－种群中局部种群克隆、生殖、变异和自然灭绝等自然过程。其主要步骤包括初始种群，种群及其个体适应度计算，选择，克隆变异、交叉生殖、含记忆B细胞个体克隆和局部种群灭绝及其最优个体的冒险迁徙等。该算法的特点是模拟了meta－种群的自然机制，具有并行性，能够产生高适应能力的个体并不断地更新，直到最优个体的出现。对两种问题进行了模拟实验，并与普通遗传算法IMA进行了比较，结果表明所提出的算法能以较少的迭代次数完成最优解的寻找。 　　关键词：meta－种群； 免疫遗传算法； 记忆B细胞； 优化 　　中图分类号：TP301．6文献标志码：A 　　文章编号：1001-3695(2008)05-1312-03 　　 　　从人类开始思考人的起源问题开始，自然系统处理各种信息的能力和对环境的适应性机理就不断地被人类科学地认识。因此，工程技术人员受生物和人类自然机制的启发，也不断地发掘和研究各种人工算法，模拟自然机制对各种信息进行有效处理。其中模拟达尔文遗传进化机制和人类免疫系统而提出的人工遗传算法和免疫算法已经有效地用于模式识别和分类、学习和记忆、归纳概括、分布检验以及各种优化组合问题等。?? 　　自然系统并不等价于单一种群，而是种群的有机集合。在19世纪70年代以前，生物地理学家和生态学家就广泛注意到生境在时间和空间上的异质作用将对种群动态、群落结构记忆物种多样性和种群内的遗传多态性产生重要的影响。著名的生态学家Levins在20世纪60年代末发展了meta－种群理论。它是种群的概念在一个更高层次的抽象和概括，描述了局部种群的灭绝和新的局部种群不断建立之间的动态平衡[1]。本文在介绍免疫遗传算法和meta－种群理论的基础上，提出并讨论了基于meta－种群理论的免疫遗传算法（MIGA）。利用对TSP优化与传统遗传算法的比较，并对不同病种的中医临床数据进行了有效分型。?? 　　 　　1免疫遗传算法?? 　　 　　基于达尔文自然选择机制的传统遗传算法属于随机优化算法，由初始可行解的产生、编码、解码和评估机制组成。但其在进化过程中容易产生退化现象，将导致迭代次数过多以及陷入局部最优陷阱。为了克服上述不足，在传统的遗传算法中引入免疫因子，形成免疫遗传算法，即在遗传过程中引入免疫系统中的记忆B细胞。记忆B细胞的群体能够保留适应度高的多个不同的个体[2]，在种群进化中，比最优个体选择法具有更多的优点。由于记忆B细胞的存在，加上遗传优势选择的作用，使遗传向提高适应度方向发展，避免了盲目性。因此，传统遗传算法的优势选择过程由记忆B细胞的选择、克隆和变异三个过程代替，从而形成免疫遗传算法。?? 　　 　　2Meta－种群理论?? 　　 　　在生物界中，由于各种各样的原因而导致了生物种群栖息地的破碎化，从而形成了一个个空间上、行为上等相对隔离的生境斑块。同时也正是因为栖息地的破碎化而使得一个较大的生物种群被分割成许多小的局部种群。Meta－种群理论所描述的就是在斑块生境中，在空间上具有一定的距离（空间隔离），但彼此间通过扩散个体相互联系在一起的许多小种群或局部种群的集合。相对隔离的每个局部种群都面临着灭绝和入侵的过程，但冒险迁移能够对具有不稳定性的局部种群进行调解，从而达到整个meta－种群的动态平衡。?? 　　 　　3基于meta－种群理论的免疫遗传算法?? 　　 　　引入免疫因子（记忆B细胞）的遗传算法是一级遗传。在此基础上引入meta－种群理论的遗传算法是二级遗传，即在多种群并行遗传操作，同时利用了meta－种群处理适应能力低下的种群（将其灭绝）以及灭绝种群中个别优良个体的冒险迁移机制。因此基于meta－种群理论的免疫遗传算法具有上述免疫遗传算法优点的同时，进一步提高了算法的并行处理问题和全局搜索最优解的能力。?? 　　3．1算法?? 　　算法主要步骤如下：?? 　　a）问题定义。待优化目标问题及其约束条件视为适应能力评估因子。目标问题在约束条件下现阶段的最优解视为具有记忆B细胞的个体。?? 　　 　　3．2算法的收敛性分析?? 　　局部种群在遗传过程中不断地保留当前最优解的情况下，传统遗传算法可以收敛到全局最优解，其收敛性已经得到证明。MIGA框架与传统遗传类似。本算法采用了对记忆B细胞的变异操作和保留适应度高的个体组成新一代的局部种群，它增加了局部种群的多样性，并保留了更多不同的当代最优个体。MIGA是并行遗传算法，随着meta－种群的进化而不断地更新最优个体，淘汰适应度低的局部种群，从而能够加速MIGA找到全局最优解，所以