基于matlab免疫算法的数值逼近优化分析

piday123

一、简介
任何一个优化问题可以转化为一个函数问题，因此生物智能算法广泛应用，同样生物免疫算法（AIA）也是一种模拟达尔文生物进化的一个新型智能算法，生物免疫算法（AIA）根据生物系统抗体处理抗原机制，抗体进化以及最终消灭抗原，这一过程为生物免疫算法（AIA）全局寻优解的过程。
考虑到函数优化问题的普遍性，近些年来，很多学者应用新型算法对不同函数进行测试，例如算法的稳定性、泛华能力、有效性以及全局、局部寻优能力等，因此最优化函数问题（单目标和多目标函数优化问题）一直成为广大科研人员的研究热点。根据测试函数得到的可能解，智能算法得到不断的改进，理论基础逐渐深入，使得散发本身更加稳健，能够快速为工程所用。
人工免疫系统正引起人们的极大重视，基于免疫系统原理开发了各类算法，遗传算法GA、差分进化算法DE、蜂群算法ABC、鱼群算法FSA等，在工程实际问题中，应用越来越广泛，也取得越来越多的成果。


/ _% ]2 o! N. Y5 U, F
# x$ _, D" }5 t7 P
9 n3 T( z% r* e& a( A

* Y, K+ W% J* \; W0 [* f% r  r' Z
# r* K" ?6 z, k* [# ?) K+ Y
三、源代码
( x; P6 t  {* T) i

• 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);
• %电容C2: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];
•        function [bestindividual,bestfit]=best(pop,fitvalue)
• global popsize N length;
• bestindividual=pop(1,：);
• bestfit=fitvalue(1);
• %实现个体的解码的计算
• function [objx]=calx(pop)
• % global N length  % 默认染色体的二进制长度length=10
• N=12; length=10;
• for j=1:N  %译码！
•    temp(:,j)=decodechrom(pop,1+(j-1)*length,length);
•    x(:,j)=temp(:,j)/(2^length-1)*(max(j)-min(j))+min(j);
• end
• fitvalue=calfitvalue(objvalue); favg(k)=sum(fitvalue)/popsize;  %
•        newpop=selection(pop,fitvalue); objvalue=calobjvalue(newpop,i); %
•        newpop=crossover(newpop,pc,k);  objvalue=calobjvalue(newpop,i); %
•        newpop=mutation(newpop,pm);     objvalue=calobjvalue(newpop,i); %
•        [bestindividual,bestfit]=best(newpop,fitvalue);
•        if bestfit<ymax
•           ymax=bestfit;
•           end
  ( H3 R8 P/ Z* w" ]4 |

三、运行结果


' R- x8 x) q! F

unix155

理论基础逐渐深入