一、基于人工免疫系统的函数优化及其在复杂系统中的应用研究（论文文献综述）
刘畅[1]（2021）在《基于CBR-AIS智能决策支持的新创企业成长风险识别方法研究》文中研究表明在国家鼓励创新创业和全球疫情波动的背景下,新创企业一方面作为新增就业机会和新增社会价值的主要载体,是推动社会进步及国家发展的重要力量;另一方面其在成长过程中面临越发复杂多样、具有突发性与动态性特征的风险,难以长远发展。因此,及时并准确地识别新创企业在发展过程中的风险,对企业、国家都有极大的现实价值。基于此本文提出基于CBR-AIS（Case-based Reasoning-Artificial Immune System）智能决策支持方法帮助新创企业识别成长风险,从CBR与AIS集成理论的角度探索解决提升新创企业成长风险识别效率的新方法。本文首先通过文献梳理,对新企业成长风险识别的相关理论及CBR与AIS集成理论基础进行分析,主要包括企业风险识别理论、新创企业成长风险相关理论、人工免疫系统理论、案例推理理论。其次,通过研究新创企业成长风险源特点与结构、探索免疫系统的复杂性与结构,将新创企业成长风险识别体系与免疫系统进行了关联,基于映射关系构建新创企业成长风险识别体系框架,为CBR与AIS模型有机融合提供依据。再次,在人工免疫系统和案例式推理方法的基础上,提出CBR-AIS集成方法的设计框架包“集成方法”、“结构-表示模式”、“模型与算法”三部分,并对各部分进行详细分析设计:从智能决策系统的角度,提出CBR-AIS集成结构,对AIS方法封装应用到CBR系统;选择合适的风险案例及相关规则的表示法,建立新创企业成长风险基因库;从CBR-AIS集成的角度剖析新创企业成长风险识别方法,提出基于优势基因及免疫网络的检索机制以及基于CBR-AIS的风险基因适应机制,并依据CBR-AIS智能决策支持方法理论提出有效的风险识别系统决策方法。最后,基于上述研究的CBR-AIS新创企业成长风险识别方法设计风险基因表达、索引、检索、适应的算法,进行仿真模型运行,通过结果分析进行效率及有效性验证。本文基于新创企业成长风险特点与免疫系统特性,构建基于CBR-AIS智能决策支持的风险识别方法,提出了新思路、新方法帮助新创企业进行成长过程中的风险识别及管理,对CBR-AIS集成研究也有较好的理论意义。
李寄仲[2]（2021）在《基于小波变换和免疫算法自适应改进的医学图像去噪研究》文中指出图像作为一种极为重要的信息载体,其质量直接影响着人们了解与传播信息。特别在医学领域,医生的诊断情况与图像质量紧密相关,因此对医学图像进行去噪处理是必要的。以肺部CT图像的去噪处理为例,其要求在去除噪声的同时要对原始图像中的病灶等信息进行完好的保留,而传统图像去噪算法在这方面还存在一定的不足。相较之下,基于小波变换的图像去噪方法是一种更先进的技术,其中小波阈值去噪是最常用的方法之一。人工免疫系统（Artificial Immune System,AIS）通过模仿与借鉴生物免疫机理为实际工程问题的解决提供新的思路,现今已成人工智能研究领域中的一个重要分支。针对上述两个领域,主要做了以下工作:（1）对人工免疫系统与其常用算法进行了系统性的分析,针对其中的克隆选择算法存在的缺陷,针对性地从编码方式、变异算子和变异率等方面提出了一种改进方案,通过实验对比改进前后的克隆免疫算法在多峰函数寻优问题中的表现,证明改进后的克隆选择算法相较于传统克隆选择算法有着更快的收敛速度,更好的全局搜索能力以及更优秀的稳定性。（2）在小波阈值去噪方法中,其常用的阈值函数分为软、硬阈值两种,但是传统的阈值函数都存在着一定的不足。在现有的阈值函数基础上引入了自适应调节参数对其进行改进,使新的阈值函数可以在不同去噪场景下实现自适应调节以获取更好的去噪效果。实验证明,相较于传统阈值函数,使用新的阈值函数可以提高去噪后图像的峰值信噪比,获得更好的去噪效果。（3）最后,在现有阈值选取方式的基础上,提出了一种改进的自适应阈值选取方式,并通过引入改进的克隆免疫算法对自适应阈值进行优化,实验表明,在使用自适应阈值对图像进行去噪处理时,基于免疫算法可以对阈值的选取过程进行优化。当自适应阈值使用通过免疫学习得到的调节参数时,其处理后的图像相较于使用现有阈值有着更高的峰值信噪比和去噪效果,实现了对获取最优自适应参数这一过程的智能调节,并结合改进后去噪方法在医学图像边缘检测中的实验效果,证明了其具有良好的应用价值与通用性。
陈頔[3]（2020）在《异构移动物联网的融合与安全通信研究》文中提出随着移动通信技术的不断演化,第五代移动网络（5th Generation Mobile Networks,5G）已经正式商用。这为物联网带来了广覆盖、大连接和低时延的网络接入服务,万物互联的时代已经到来。面对异构的网络接入技术,移动物联网数据呈现出海量性、异构性和动态性等特点。消息服务系统需要支持大规模消息的接入和管理,提供高效可靠的信令控制能力和调度能力。此外,物联网边缘设备计算能力和存储能力有限,异构移动物联网系统间的融合通信变得越来越困难,信息安全问题也更加突出。传统的入侵检测系统（Intrusion Detection System,IDS）缺少动态学习和更新能力,模型训练代价较大,无法有效检测异构的和未知的异常,存在冷启动的问题。针对移动物联网的异构融合组网、异构消息服务、异构数据特征融合和识别、异构网络安全防护及其升级等融合和安全通信的关键问题。本文主要开展了以下研究工作:受生物器官移植免疫技术的启发,提出利用免疫耐受诱导抗排斥反应的机制,解决异构移动通信系统之间的融合问题。以移植免疫为技术机理,构建基于免疫耐受机制的5G非独立组网（Non-Standalone,NSA）融合架构。利用深度学习模型来识别供体协议类型,并对供体信令进行基于“异或”操作的解码,以及基于基因位域的再次编码。仿真结果表明,本方案可以有效识别供体信令,提高异构信令的亲和力和编解码效率,实现免疫耐受机制和算法的互补。为提高移动通信网络中消息的调度和分发能力,提出将人工免疫理论应用于移动通信系统的消息服务。利用模拟免疫应答机制,提出基于半分布式免疫动态自适应网络架构,构建检测器动态学习机制和免疫记忆机制。提出免疫消息分发系统的概念,利用克隆选择算法对消息头进行分类克隆,结合肯定选择算法,对消息体进行高频变异。在保证抗体多样性的前提下,解决哈希映射算法的空间消耗问题。仿真结果表明,消息识别能力和消息分发能力得到提升。针对物联网安全防护设备的计算资源有限的问题,以及升级更新的困难,以5G窄带物联网（Narrowband IoT,NB-IoT）为技术应用背景,提出一种基于免疫动态自适应机制的窄带物联网IDS架构,解决窄带物联网各网元异常特征库协同更新问题。设计基于免疫的增量数据提取方法,进而提出基于增量数据的模型权重更新训练方法。为降低边缘设备计算资源,构建基于简单结构的多层感知器,长短时记忆和卷积神经网络的IDS模型,并验证其静态检测效率。在多个场景中评估不同模型的增量学习性能,讨论不同模型在窄带物联网的适配性。仿真结果表明,所提方案可以满足窄带物联网小数据包和大接入量的需求,训练指标变化更加平稳。弥补静态模型无法自适应更新的局限性,降低数据完整性被破坏的风险,缩短模型更新周期,节省计算资源和存储资源。面对异构移动物联网入侵检测面临的数据识别和融合的挑战,提出一种基于词嵌入深度迁移学习的IDS。利用一种简单的域对齐方式,以保持源域张量和目标域张量的一致性,完成样本迁移。利用异构网络间的特征相关性,使用词嵌入将物理网络的数理逻辑特征映射为特征空间向量,完成特征迁移。利用不同的深度学习算法,完成模型迁移。并在多个异构数据集和多个场景中验证所提方案的有效性。仿真结果表明,本方案可以完成异构物联网IDS邻域数据的特征提取,节省异构物联网IDS模型的数据预处理时间和训练时间,解决异构物联网IDS的冷启动问题。
康锰[4]（2020）在《自适应免疫进化算法的研究与应用》文中研究指明人工免疫系统是借鉴生物免疫系统原理、机制发展起来的智能系统,人工免疫算法是基于人工免疫系统的新型智能优化算法,而免疫克隆选择算法则是最主要的人工免疫算法。由于在克隆选择算法中,仅以变异操作进行局部搜索,所以,变异的方法对克隆选择算法的性能有着极大的影响。变异的设置策略及克隆选择算法与其他群智能优化算法的结合是克隆选择算法的重要研究内容。本文在前人研究工作的基础上,对克隆选择算法中变异操作的自适应设置及免疫多目标进化算法中多进化策略的自适应选择进行了一些研究,主要内容如下:1.简要介绍了进化算法、人工免疫算法的研究历程、研究近况;介绍了进化算法、人工免疫算法的基本原理、算法流程、参数设置及收敛性分析。2.为了兼顾算法的全局探索能力和局部开发能力,将t变异引入人工免疫克隆选择算法,并给出了根据进化代数确定t分布自由度n的方法。在此基础上,提出了一种基于t变异的免疫克隆选择算法。用标准测试函数对新算法进行了性能测试,并与基于高斯变异和柯西变异的免疫克隆选择算法进行了比较。数值实验结果表明,新算法可以实现高斯变异和柯西变异之间的平滑过渡,能够获得优于基于高斯变异和柯西变异的算法的整体优化效果。3.在免疫多目标进化算法中采用克隆选择的优点是可以提高收敛速度,缺陷是会在一定程度上降低种群的多样性。本文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,其基本思想是: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,结果验证了新算法的收敛性和有效性。4.大气质量评价是环境科学中一个比较重要而又较为复杂的问题。目前的研究显示,智能优化算法可以较好地解决此类问题。本文尝试用基于t变异的免疫克隆选择算法,对大气质量评价问题进行了数值仿真,并与其他评价方法进行了比较,结果表明:基于t变异的免疫克隆选择算法可有效地解决大气质量评价问题,具有一定的应用价值。图[20]表[5]参[60]
陈茜月[5]（2020）在《基于人工免疫理论的网络攻击检测关键技术研究》文中提出网络的爆炸式发展对各行业的发展带来了巨大影响,与此同时各类网络安全问题也随之出现。对于网络安全防护的要求已经上升到了前所未有的新高度。单一的网络安全策略已不能满足对于日益多样化、复杂化、动态化的网络攻击行为的检测。将网络安全技术与多种学科结合,可以开拓网络攻击检测研究的新思路。利用交叉学科的研究成果可以为网络攻击检测技术带来全新的可行的方法。仿生学是模仿生物机体工作方式而衍生出的一门学科。其中人工免疫系统（Artifical Immune System,AIS）和网络安全技术在目标和原理上具有共同之处,将人工免疫原理和网络攻击检测技术结合的方法得到了飞速发展。虽然基于人工免疫的网络安全技术已取得了瞩目的成果,但是在网络攻击特征生成、人工免疫系统检测器构造及其工作机制、种群优化、基于时序逻辑的网络攻击建模等方面仍有一些问题待研究解决。本文围绕人工免疫技术在网络攻击检测方面的研究热点,将生物免疫系统中相关免疫理论和工作机制应用到网络攻击检测领域。在对人工免疫理论的基本原理、工作机制、免疫算法和种群优化方法等关键技术深入研究的基础上,结合网络攻击检测领域存在的问题、检测技术和建模方法,对已有技术进行改进,并提出新的方法和系统模型。解决了网络攻击检测在特征样本高冗余、检测器机制不灵活、攻击检测能力弱、检测器群体优化速度慢、攻击描述不准确、攻击检测范围小等方面的问题。本文研究的主要内容及成果有如下几方面:1.提出了一种新的特征生成方法。结合F-Score和粒子群优化算法,提出了一种混合特征生成方法并应用到人工免疫系统中。该方法首先使用F-Score原理得出每个特征的F-Score值,以此作为特征属性的评判准则并提取出特征子集FS＿Sub,这是特征的首次过滤,去除噪声数据和低重要度特征,降低特征维度;第二阶段中使用粒子群优化算法对特征子集SSub F＿进行二次筛选,通过改变粒子在搜索空间内的速度参数和位置参数获取最优解,去除交叉特征子集中冗余的数据特征,获得具有更加优良性能的特征集合S。该方法将F-Score应用到人工免疫系统中,混合方式下生成的特征具备更少的冗余数据,为下一步在人工免疫系统中进行网络攻击检测提供高精度低冗余的特征样本。2.提出了新的基于人工免疫理论的网络攻击检测模型（Novel network Attack Detection model based on Immunology,NADI）,同时给出了一种新的检测器类型。该模型NADI使用本文提出的混合特征生成方法提取高精度低冗余的样本特征,并使用本文提出的多级检测器组件检测网络攻击行为。多级检测器组件中包括随机检测器、神经网络检测器和逻辑检测器,其中逻辑检测器是本文提出的一种新型检测器。三种检测器并行运行,针对不同类型的恶意行为达到优势互补的目的,形成全方位检测效应。该多级检测器组件能以较低的误报率实现更快速、更准确的网络攻击检测目的。解决了检测器种类单一、检测器工作机制不灵活、检测能力较弱、对攻击描述不准确等问题。本文实验在KDD Cup99数据集上进行,数据结果表明,该模型在保证高正类样本检测率（True Positive Rate,TPR）的同时,能够维持较低的误报率（False Positive Rate,FPR）。3.提出了基于DNA疫苗的检测器群体优化算法。该方法利用生物免疫系统的疫苗机制对免疫网络攻击检测系统中检测器的群体质量进行优化,提出面向网络攻击检测的基于DNA疫苗的动态克隆选择算法（DNA-Vaccine Dynamic Clonal Selection Algorithm,DVD-CSA）和基于DNA疫苗的动态人工免疫系统模型（DNA-Vaccine Dynamic Artifical Immune System,DVD-AIS）。通过疫苗注射的方式优化检测器种群,提升个体的抗攻击能力,提高优良检测器占比,并能在二次免疫中快速做出反应。基于DNA疫苗的网络攻击检测方法首先提取攻击抗原的DNA链,经疫苗生成算法和（48）运算后得到裸露的DNA编码,随后与抗体检测器经（38）运算得到DNA疫苗,注入到筛选后的检测器中,以实现群体优化。此疫苗工作机制能够动态更新检测器群体,有效解决群体优化过程中出现的退化现象,成功解决检测器种群趋于单一、抗体亲和力逐步减弱、疫苗精度不足、种群收敛过慢、进化率低等问题。该方法能及时更新检测器,加速检测器种群收敛,防止检测器群体过度成熟。4.提出了人工免疫理论下基于多种时序逻辑的网络攻击建模方法。先后对基于命题线性时序逻辑、命题区间时序逻辑、扩展命题区间时序逻辑的网络攻击建模展开研究,并应用到人工免疫网络攻击检测系统中。本文研究、总结了多种时序逻辑在理论和应用层面的特点与差异,根据其在描述能力上的差异化表现为多种攻击建立相应的逻辑公式,并分别构建出人工免疫网络攻击检测模型。完善了已有工作在网络攻击建模领域的不足,提高了时序逻辑的描述能力,对部分攻击能做到精准描述,扩大了网络攻击建模的描述范围。
余滨杉[6]（2018）在《高压输电塔结构地震响应被动—半主动混合控制分析与试验》文中研究表明输电塔是生命线工程的重要组成部分,一旦在强震中遭到破坏,不仅会给国家造成巨大经济损失,而且还会引发火灾、缺水、断气等次生灾害,对震后救灾和重建也影响很大。然而,由于地震的复杂性和输电塔结构的特殊性等,即使按照最新抗震规范设计的输电塔结构,在近期发生的一些地震中仍然出现严重破坏或倒塌,导致整个生命线工程陷入瘫痪。这就迫使研究人员不得不寻求一些新的抗震设计理论或减震方法,以确保这类结构在地震中的安全。本文以形状记忆合金（Shape Memory Alloy,SMA）和压电堆为核心元件,研发了一种SMA被动-压电堆半主动摩擦混合减震系统,并将其应用于输电塔结构地震响应的混合控制分析和试验,得出了一些创新性结论和建议。主要内容如下:（1）根据输电塔结构地震响应的主要特点和震害调查结果,利用SMA和压电堆特殊的物理力学性能,研发制作了一种体积较小、便于与输电塔结构集成的一体化SMA被动-压电堆半主动摩擦混合减震控制系统。该系统的工作原理主要为,结构地震响应较小时,以SMA被动消能减震为主,地震响应较大时,压电堆半主动摩擦装置发挥较大作用,同时两者共同工作,最后再利用SMA进行系统的震后复位。这样既可以保证混合减震控制系统工作性能的可靠性,又能够根据结构地震响应控制需要进行结构的被动或混合减震控制,明显提高系统的减震控制能力。（2）基于上述一体化SMA被动-压电堆半主动摩擦混合减震控制系统的研发结果,同时考虑到输电塔结构的地域特殊性,设计独立光伏发电装置作为系统的能源供给,进行了混合减震控制系统的优化分析和减震控制性能试验,研究了SMA的初始状态、压电堆的工作条件和激励电压等因素对该系统混合减震控制效果的影响,探讨了相应的优化设计和构造方法,总结了影响系统减震控制效果的一般规律。结果表明,文中研发的混合减震控制系统体积较小,便于与结构杆件集成,被动减震和混合减震控制能力均较好,特别是压电堆半主动摩擦装置工作后,混合减震控制能力明显提高,绝对最大控制力与电压基本上呈线性增大关系,当位移幅值为13mm,同时施加120V电压时,系统的耗能能力提高了135%,等效阻尼比提高了90%以上。（3）以SMA丝材和混合减震控制系统的试验结果为基础,采用不同的神经元输入,对二者建立了BP网络预测本构模型,并利用遗传算法分别对SMA丝材和混合减震系统BP预测模型的权阈值进行了优化分析,建立了2种优化后的BP网络预测本构模型。结果表明,混合减震控制系统以位移、电压和速率等作为系统预测本构模型的神经元输入,可简化神经元的输入参量,方便工程应用,特别是经遗传算法优化的BP网络模型能够提高系统预测本构模型的精度和稳定性,可用于系统的优化设计和研发。（4）针对基本免疫克隆选择算法存在的一些问题,引入抗体浓度和自适应变异对其进行了改进,提出了一种改进的免疫克隆选择算法。将模态可控度作为优化配置的性能指标,以某实际典型输电塔结构为原型,采用文中改进的免疫克隆选择算法,对该结构模型中混合减震控制系统的配置数量和位置等进行了优化分析,研究了优化减震控制效果。结果表明,改进的免疫克隆选择算法具有丰富的种群多样性,寻优能力强,收敛速度快,经其计算得出的优化配置方案能够使结构获得较高的控制性能指标,减震控制效果提高。一般地,经过优化方案配置后结构的减震控制效果比未优化任意配置时可提高20%左右。（5）结合模糊控制和神经网络算法二者的优势,设计了一种适用于输电塔结构混合减震控制的模糊神经网络计算模型,采用上述改进的免疫克隆选择算法得到的最优配置方案,将文中研发的混合减震控制系统集成于上述典型输电塔模型结构之中,进行了输电塔结构地震响应混合减震控制的数值模拟,分析了减震控制规律和效果。结果表明,采用文中的模糊神经网络计算模型和优化配置的混合减震控制系统,可明显减小结构的地震响应,减震控制效果基本可达50%。（6）以某实际典型输电塔结构为原型,设计制作了一个相似比为1/15的输电塔缩尺模型结构,根据改进的免疫克隆选择算法对其优化配置了文中的混合减震控制系统,采用模糊神经网络控制算法,进行了模型结构在无控和受控时共18个工况下的模拟地震振动台试验,分析了无控时试验模型的动力响应和混合控制时减震系统对试验模型的减震控制效果。试验表明,文中的混合减震控制系统能够有效提高模型结构的整体性能,明显降低模型结构的地震响应,其中7度罕遇地震作用下结构的位移响应减震效果最大可达50%,8度罕遇地震作用下结构加速度响应减震效果最大可达42%,可见文中研发的混合减震控制系统和模糊神经网络控制算法减震控制效果明显,值得进一步研究和推广应用。
展猛[7]（2017）在《基于SMA-压电复合减震系统的电抗器结构地震响应控制研究》文中进行了进一步梳理电抗器是电力系统中的重要设备之一,主要起着限流、滤波和补偿作用。一般由电抗器实体和支柱绝缘子组成,具有重心高,顶部质量大,支柱长细比大等特点,抗震性能较差。地震后常发生支柱绝缘子与电抗器组件连接部位被震坏等现象。而随着我国电网容量的大幅增加以及电压等级的不断提高,电抗器电压等级及容量也不断提升,使得设备整体高度大幅度增高,对抗震性能的要求也越来越高。本文针对形状记忆合金（Shape Memory Alloy,SMA）被动减震装置和压电摩擦半主动减震装置存在的缺点,考虑电抗器设备特点和结构减震控制要求,研发了一种新型SMA-压电摩擦复合减震装置,并结合人工免疫算法、BP神经网络和模糊控制算法等智能控制技术,进行了基于电抗器结构的SMA-压电复合减震系统的一体化理论分析与试验研究。主要内容如下:（1）针对遗传算法容易陷入早熟收敛和群体多样性差的问题,基于生物免疫系统中的克隆选择、免疫记忆以及免疫自调节机理,提出了一种自适应免疫记忆克隆算法（AIMCA）。以模态可控度作为优化目标准则的影响因素,分别采用改进的遗传算法（IGA）和AIMCA,对一个85节点、288杆件的空间平板网架结构中减震装置的布置位置和数量进行了优化配置研究。结果表明,AIMCA适用范围广,特别是对于复杂工程结构减震装置的高维优化配置问题,AIMCA则表现出了比IGA更优异的性能,种群多样性更好,寻优能力更强,收敛速度更快,可以获得更大的性能指标值和更优的减震效果。（2）通过对研发的SMA-压电摩擦复合减震装置进行性能试验,分析了激励电压、加/卸载频率和位移幅值等对其单圈耗能能力、等效阻尼比及等效割线刚度的影响。结果表明,该复合减震装置可双向出力,滞回曲线饱满且对称性较好,加/卸载频率对复合减震装置的性能影响很小,说明其工作性能稳定,适用范围广;随着电压的增大,减震装置的绝对最大控制力呈线性增大,滞回面积逐渐增加,耗能能力不断提高。在位移幅值为12mm时,施加120V电压,耗能量可提高138.23%,等效阻尼比可提高94.23%,可见研发的复合减震装置耗能能力较好。（3）基于SMA和SMA-压电摩擦复合减震装置的试验结果,分别采用两种神经元输入策略,建立了相应的BP神经网络预测模型,并利用AIMCA对复合减震装置神经网络模型的权阀值进行了优化。结果表明,相比采用前前时刻和前时刻应力、应变以及本时刻应变作为神经元输入的SMA网络模型,以位移、速率和电压为神经元输入的复合减震装置预测模型由于减少了神经元输入参量,其预测精度有所降低,但便于工程应用,经优化的BP神经网络提高了复合减震装置预测模型的精度和稳定性。BP神经网络预测模型可综合考虑多种因素,较好地预测复合减震装置的出力,便于在MATLAB仿真中实现,为SMA复合类减震装置本构模型的建立和应用提供了新途径。（4）采用连续Bouc-Wen模型模拟结构的非线性恢复力,利用建立的优化BP神经网络模型确定复合减震装置的控制力,电压采用模糊控制输出,进行了一框架结构地震响应的混合半主动控制仿真分析。结果表明,基于复合减震装置的特点,结合人工免疫算法、BP神经网络和模糊控制技术建立的混合半主动控制系统可以根据结构的动力反应实时地调整压电摩擦单元的摩擦出力,便于实现结构的混合半主动控制。（5）设计制作了一个相似比1:2的10kV干式空心电抗器结构模型,对其进行了无控、被动控制和混合控制时的模拟地震振动台试验,分析了模型结构的动力特性变化规律和不同工况下的减震效果。结果表明,文中研制的SMA-压电摩擦复合减震装置可以有效地降低电抗器结构的动力反应,一般地,被动控制时位移和加速度的减震率可达40%,混合控制时可达50%。另外,试验后未见电抗器结构薄弱部位发生地震破坏,说明该复合减震系统可提高电抗器结构的抗震可靠性。
赵翔[8]（2013）在《土地利用优化配置的多目标人工免疫优化模型研究》文中指出土地资源作为一种稀缺的不可再生资源,是人类赖以生存和发展的物质基础。然而,随着我国工业化和城市化进程的快速推进,土地资源的不合理利用现象加剧。如何以科学的理论与方法指导土地利用规划,促进土地资源的合理和可持续利用己成为政府和公众共同关注的热点问题。土地利用优化配置是土地利用规划的核心内容,也是提高土地利用效率、促进土地资源的可持续利用的必要手段。围绕土地利用优化配置问题的求解,国内外有关学者先后展开了广泛和深入的研究,形成了包括数学规划法、系统动力学模型、元胞自动机模型和智能优化模型等诸多方法在内的土地资源优化配置方法体系。然而,现有模型依然存在一定不足,集中表现为模型计算得到寻优能力较差、优化搜索效率较低、模型的多目标处理方法不能满足土地利用多目标决策支持的需要,缺少可实际应用的优化决策支持系统等。针对上述不足,围绕土地利用优化配置中的两大核心问题-土地资源数量结构优化与土地利用空间布局优化,本文提出了一种基于多目标人工免疫系统的土地利用优化配置模型,主要研究内容与创新之处如下：（1）研究首先在可持续发展理论、生态服务价值理论和景观生态学等相关理论的指导下,分别定义了土地资源数量结构优化问题和土地利用空间布局优化问题的优化目标和约束条件。其中,选取土地利用的生态服务价值最大化和经济效益最大化作为土地资源数量结构优化的主要目标；选取土地利用空间布局紧凑度最优与土地利用适宜性最优作为土地利用空间布局优化的主要目标。在此基础上,以人工免疫的基本理论为指导,分别构建了面向土地资源数量结构优化和土地利用空间布局优化的人工免疫概念模型,为领域知识指导的AIS土地利用优化算法的设计奠定了重要基础。（2）为了克服已有模型在多目标寻优能力和寻优效率等方面的不足,本文研究了基于多目标人工免疫系统的土地利用优化配置算法。在对经典多目标人工免疫算法NICA算法的基本免疫策略进行改进的基础上,根据土地资源数量结构优化和土地利用空间布局优化问题求解的基本特点,在领域知识的指导下分别设计了相应种群初始化策略和抗体变异算子。形成了面向土地资源数量结构优化的MOAI-LUSO算法和面向土地利用空间布局优化的PAI-LUSA算法。为提高土地利用空间布局优化问题求解效率,研究了在共享存储、多核、多CPU并行环境下的并行优化算法,提高了优化任务执行效率,大幅缩短寻优所需时间。（3）针对现有研究对通用土地利用优化决策支持系统研究的不足,本文在分析了土地利用优化配置问题求解需求的基础上,提出了面向土地利用优化配置问题求解的通用人工免疫算法模型框架和免疫算子结构。在此基础上,利用C#4.0和DotSpatial开源GIS平台开发了一个通用的、可扩展、开放式、可并行的土地利用优化配置智能决策支持系统。为保证系统的通用性、可扩展性和开放性,系统基于插件技术进行设计与实现,并设计了免疫算子扩展接口和优化问题应用扩展接口分别用于人工免疫算法的改进和优化问题应用的自定义扩展。（4）为验证研究模型的先进性和决策系统的实用性,选取湖北省秭归县作为实验区进行验证。为评估算法的寻优能力,选取NSGAII等优秀的多目标智能优化算法进行对比实验。此外,为了评估并行计算技术在土地利用布局优化问题求解领域的应用前景,文章还对土地利用空间布局优化模型的并行性能进行了测试。实证研究和对比实验结果表明：①面向土地资源数量结构优化的MOAI-LUSO算法的多目标寻优能力明显优于已有的基于NSGAII等算法的土地资源数量结构优化模型。②领域知识指导的并行PAI-LUSA算法能够高效、高质量的获得土地利用空间布局优化Pareto解集。算法并行性能测试实验结果表明,在具有16核CPU的计算机上,算法的并行效率可达68%,加速比可达10.83。由此可见,在多CPU、多核的共享存储的计算环境下,采用并行计算技术对土地利用空间布局优化模型进行并行化改进,能够获得较好的加速比和并行效率,从而极大提高问题求解的能力和效率,具有较好的应用前景。
吴建辉[9]（2013）在《混合免疫优化理论与算法及其应用研究》文中研究说明在科学研究和工程实践中广泛存在着优化问题，因而开展优化问题的研究具有重要的理论意义和应用价值。模拟生物免疫系统智能信息处理机制的免疫优化算法具有自组织、多样性好、鲁棒性强等优点，适宜于优化问题的求解。然而依靠单一模式的优化算法难以满足具有强非线性、不确定性、时变等特征的复杂优化问题的性能要求。混合免疫优化算法为复杂优化问题的求解提供了新的思路和有效的途径，同时也是优化理论与算法研究的发展方向之一。本文借鉴免疫系统的机理并结合其它优化算法开展混合免疫优化理论与算法及其应用的研究。针对组合优化和数值优化问题，本文从机制模型、算法设计、理论分析、性能测试、算法比较等方面进行系统研究，通过仿真实验验证了混合免疫优化算法的有效性；将所研究的混合免疫优化算法应用于复杂离散混沌系统滑模优化控制中，取得了良好的控制效果。论文的主要研究成果与创新如下：（1）针对组合优化问题，利用免疫克隆选择算法和蚁群算法的各自优势，提出一种基于串联混合方式的优化算法：结合抗体小窗口局部搜索算法的克隆选择和蚁群融合算法（ACLA）。在蚁群算法中引入混沌扰动能在一定程度上避免早熟、停滞；克隆扩增、免疫基因等算子的操作能加快克隆选择算法的收敛速度；局部搜索算法的应用，能有效提高ACLA算法的搜索效率。针对旅行商问题的实验结果表明，该混合算法在收敛速度与求解精度上均取得了较好的效果。（2）针对组合优化问题，融合协同进化算法、免疫克隆选择算法的各自优势，构造了一种基于多子种群免疫进化的两层框架模型，在此模型的基础上提出一种基于竞争-合作的分层协同进化免疫算法（HCIA）。HCIA算法通过对若干个子种群进行局部最优免疫优势、基于竞争的克隆扩增等低层免疫操作和高层遗传操作，增强优秀抗体实现亲和度成熟的机会，提高了抗体群分布的多样性，使其在深度搜索和广度寻优之间取得了平衡。通过典型组合优化问题——旅行商问题的实验仿真结果表明，HCIA算法具有可靠的全局收敛性及较快的收敛速度。（3）针对函数全局优化问题，融合免疫算法的多样性机理、粒子群的信息共享及协同进化思想，提出基于两层模型的多子种群粒子群免疫协同进化算法（MAPCPSOI）。MAPCPSOI算法首先通过对若干个子种群进行具有协同合作特征的低层自适应多态杂交粒子群操作，改善了子种群的多样性，有效抑制了收敛过程中的早熟停滞现象；然后通过具有协同竞争特征的高层免疫克隆选择操作，显着地提高了全局寻优能力，进一步提高了收敛精度。函数优化的仿真结果表明：与其他改进微粒群算法相比，MAPCPSOI算法具有更快的收敛速度和更高的求解精度，尤其适合超高维函数及其它复杂函数的优化问题求解。（4）针对多模态函数优化问题，提出融合Powell法的粒子群优化算法（IPSO-P）及免疫云粒子群优化算法（PPSO）这两种算法。IPSO-P算法将粒子群优化算法的全局搜索能力与Powell法的强局部寻优能力有机地结合起来，在保证求解速度、尽可能找到全部极值点的同时提高了解的精确性。而在PPSO算法中，通过引入基于云模型的云变异算子提高了种群的多样性，利用小波变异克隆选择算法对云变异粒子群优化算法搜索到的较优解进行局部搜索以进一步提高解的精度。仿真实验表明这两种新混合算法的有效性。（5）将免疫云粒子群优化算法（PPSO）应用于离散混沌系统滑模优化控制中，提出一种基于PPSO算法的神经滑模等效控制方法。该方法通过将BP神经网络的输出作为滑模等效控制的切换部分的系数，有效克服了传统滑模等效控制的抖振现象；利用PPSO算法对神经滑模控制器的参数进行全局优化，提高了离散混沌系统的控制品质。实验仿真表明，该方法无需了解离散混沌系统精确模型，具有响应速度快、控制精度高以及抗干扰能力强的优点。
刘朝华[10]（2012）在《混合免疫智能优化算法研究及其在复杂系统中的应用》文中研究表明人工免疫系统模拟生物免疫系统进化行为的智能特征,具有自组织、自学习能力,具有解决复杂优化问题的优点。现代工业系统变得越来越复杂,而复杂系统的建模、优化与控制需要高性能的算法来辅助,依靠单一模式的优化方法难以满足系统性能要求。混合免疫智能处理技术为这类问题提供了有效的途径,同时也是人工免疫系统研究的发展方向。基于免疫系统的机理,深入挖掘生物免疫系统中蕴含的智能学习机制并结合其它智能处理方法的优点,本文研究了几类混合免疫智能优化算法及其相关应用,从算法理论、算法设计、性能测试、比较分析到实际应用展开一系列工作。在理论上研究了四类混合免疫智能优化方法,并通过实验仿真验证了算法的有效性；在应用上研究了混沌系统自抗扰优化控制与永磁同步电机系统多参数辨识这两类典型的复杂系统,并获得了良好的控制效果和辨识结果。概括如下：1.引入生态学中的协同进化Lotka-Volterra思想到人工免疫算法中,考虑了群体间的竞争合作关系,构造了一种竞争合作型协同进化免疫克隆选择模型。各子种群内部通过局部最优免疫优势、克隆扩增和动态高频变异等相关算子操作。运用信息熵理论改善种群多样性,所有子种群共享经过免疫杂交提升操作的高层记忆库,通过迁移操作实现整个种群信息共享与协同进化。2.为了扩大解的搜索空间,将粒子群体分为捕食与探索两种模态,建立一种免疫双态粒子群优化方法。对处于捕食状态的精英粒子采用精英学习策略；对处于探索状态的微粒采用探索策略；对微粒个体极值进行免疫克隆优化；对不活跃个体进行免疫受体编辑。算法兼顾了抑制早熟停滞现象和避免冗余迭代。3.融合免疫系统优化原理、协同进化思想及粒子群的邻域信息,构建免疫协同粒子群进化模型。算法采用并行计算框架,整个群体由记忆种群与若干个普通种群构成。普通微粒种群内部通过精英粒子保留、免疫网络及柯西变异等混合策略共同演化新个体；微粒个体极值采用自适应小波学习以加快收敛速度；免疫克隆选择算法对记忆库进行精细搜索；信息交互机制促进信息共享有效降低了算法的冗余迭代。扩大了算法解空间搜索范围,提高了对复杂问题的优化能力。4.利用克隆选择算法与蚁群算法各自的优势,构造了一种免疫克隆选择与蚁群自适应融合优化模型。引入混沌扰动增加抗体种群的多样性,通过克隆扩增、免疫基因等相关算子的操作增强了克隆选择算法搜索的效率；自适应控制参数实现了克隆选择与蚁群优化的有机结合及局部最优搜索策略的应用,克服了抗体种群“早熟”问题,提高了求解精度。5.应用免疫双态粒子群算法对自抗扰控制器进行优化设计。其一,将免疫双态粒子群算法应用于混沌系统自抗扰优化控制中,对自抗扰控制器参数进行优化,应用于混沌系统控制,构建一种基于免疫双态粒子群算法的混沌系统自抗扰优化控制器；其二,利用自抗扰控制器（ADRC）与小脑神经网络（CMAC）各自的优势并构造ADRC-CMAC并行控制器,利用免疫双态粒子群算法对ADRC-CMAC控制器参数进行自学习寻优,构造出一种自抗扰神经网络并行优化控制方法。针对离散混沌系统研究结果表明,以上两种控制方法具有更好的控制性能和较强的鲁棒性。6.构造了一种基于免疫协同粒子群进化算法的永磁同步电机多参数辨识模型方法。永磁同步电机参数辨识结果表明该方法不需要知道电机设计参数先验知识,能够有效地辨识电机电阻,d-q轴电感与转子磁链。同时,当电机参数发生变化时,该方法依然能够有效地追踪该参数变化值。
二、基于人工免疫系统的函数优化及其在复杂系统中的应用研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于人工免疫系统的函数优化及其在复杂系统中的应用研究（论文提纲范文）
（1）基于CBR-AIS智能决策支持的新创企业成长风险识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目标及意义 |
| 1.2.1 研究目标 |
| 1.2.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 新创企业成长风险识别的相关研究 |
| 1.3.2 人工免疫系统相关研究 |
| 1.3.3 案例推理相关研究 |
| 1.4 研究方法及思路 |
| 1.4.1 研究方法 |
| 1.4.2 研究思路 |
| 1.5 研究内容 |
| 1.6 本章小结 |
| 第2章 相关理论基础 |
| 2.1 新创企业成长风险相关理论 |
| 2.1.1 新创企业内涵 |
| 2.1.2 新创企业成长风险基本特征及分类 |
| 2.1.3 新创企业成长风险识别过程 |
| 2.2 人工免疫系统(AIS) |
| 2.2.1 生物免疫系统机理及组成 |
| 2.2.2 人工免疫系统机理及算法 |
| 2.3 基于案例推理(CBR) |
| 2.4 本章小结 |
| 第3章 新创企业成长风险体系与免疫系统关联 |
| 3.1 新创企业成长风险体系结构 |
| 3.1.1 风险的形成与演化机理 |
| 3.1.2 风险源的确定 |
| 3.1.3 风险源分级结构 |
| 3.2 基于免疫系统的风险识别体系 |
| 3.2.1 风险识别体系与免疫系统对比 |
| 3.2.2 基于映射关系的风险识别体系框架 |
| 3.3 本章小结 |
| 第4章 基于CBR-AIS的新创企业成长风险识别方法 |
| 4.1 CBR-AIS模型框架 |
| 4.2 CBR-AIS的集成结构 |
| 4.3 CBR-AIS的风险表示模式 |
| 4.3.1 风险基因表达 |
| 4.3.2 风险知识表达 |
| 4.4 CBR-AIS的风险识别支持方法 |
| 4.4.1 风险基因索引与检索 |
| 4.4.2 风险基因优化 |
| 4.4.3 风险基因保留与学习 |
| 4.5 本章小结 |
| 第5章 CBR-AIS风险识别方法的仿真与分析 |
| 5.1 CBR-AIS模型的仿真实验 |
| 5.1.1 风险识别算法设计 |
| 5.1.2 仿真模型运行 |
| 5.2 仿真结果分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 主要结论 |
| 6.2 创新之处 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
（2）基于小波变换和免疫算法自适应改进的医学图像去噪研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 人工免疫系统国内外研究现状 |
| 1.3 小波图像去噪概述与国内外研究现状 |
| 1.4 本文研究内容与章节安排 |
| 第二章 人工免疫算法及其改进 |
| 2.1 引言 |
| 2.2 生物免疫系统 |
| 2.2.1 生物免疫系统中的基本概念 |
| 2.2.2 生物免疫系统的组成 |
| 2.2.3 生物免疫系统功能 |
| 2.3 人工免疫算法 |
| 2.3.1 人工免疫算法基本原理 |
| 2.3.2 否定选择算法 |
| 2.3.3 免疫遗传算法 |
| 2.3.4 克隆选择算法 |
| 2.4 改进的克隆选择算法 |
| 2.4.1 克隆选择算法的缺陷 |
| 2.4.2 克隆选择算法的改进 |
| 2.4.3 改进的克隆选择算法具体步骤 |
| 2.5 基于改进的克隆选择算法仿真实验与分析 |
| 2.6 本章小结 |
| 第三章 传统图像去噪方法与效果分析 |
| 3.1 引言 |
| 3.2 图像噪声分类 |
| 3.2.1 高斯噪声 |
| 3.2.2 脉冲噪声 |
| 3.3 图像去噪效果的评价标准 |
| 3.3.1 主观评价 |
| 3.3.2 客观评价 |
| 3.4 传统图像去噪方法与效果分析 |
| 3.4.1 均值滤波法 |
| 3.4.2 中值滤波法 |
| 3.4.3 低通滤波法 |
| 3.4.4 传统图像去噪仿真与效果分析 |
| 3.5 本章小结 |
| 第四章 基于小波阈值图像去噪方法的研究与改进 |
| 4.1 引言 |
| 4.2 小波类别的分析 |
| 4.3 小波阈值去噪方法分析 |
| 4.3.1 小波图像去噪的基本原理 |
| 4.3.2 噪声的方差估计 |
| 4.3.3 阈值的选取方式 |
| 4.3.4 传统小波阈值函数 |
| 4.4 医学图像的传统小波阈值去噪方法分析 |
| 4.5 改进的小波阈值去噪方法 |
| 4.5.1 改进的自适应小波阈值函数 |
| 4.5.2 改进的自适应小波阈值函数特性 |
| 4.5.3 改进的自适应小波阈值函数在医学图像去噪中的应用 |
| 4.6 本章小结 |
| 第五章 改进的克隆选择算法在小波阈值去噪中的应用 |
| 5.1 引言 |
| 5.2 改进的自适应小波阈值 |
| 5.3 基于免疫优化的小波阈值去噪方法 |
| 5.3.1 免疫算法优化实现过程 |
| 5.3.2 实验结果与分析 |
| 5.4 基于改进后去噪方法的医学图像边缘检测实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者在攻读硕士期间的学术成果 |
| 致谢 |
（3）异构移动物联网的融合与安全通信研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 异构融合组网和异构消息服务 |
| 1.2.2 异构移动物联网的安全防护 |
| 1.2.3 基于人工免疫的应用研究 |
| 1.2.4 基于深度学习的入侵检测研究 |
| 1.2.5 存在的主要问题 |
| 1.3 本文研究的主要内容 |
| 1.4 本文各章节结构安排 |
| 第2章 基于移植免疫的5G非独立组网融合网络 |
| 2.1 引言 |
| 2.2 5G非独立组网的融合需求 |
| 2.3 移植免疫的主要措施 |
| 2.3.1 T细胞克隆清除 |
| 2.3.2 T细胞克隆无能 |
| 2.3.3 免疫耐受机制实施步骤总结 |
| 2.4 5G非独立组网的免疫耐受机制构建 |
| 2.5 消息免疫耐受模块的实现 |
| 2.5.1 供体PDU抗原特征的提取和判断 |
| 2.5.2 计算抗原和抗体的亲和力 |
| 2.5.3 抗体多样性 |
| 2.5.4 PDU基因编码和解码 |
| 2.5.5 抗体浓度计算 |
| 2.6 实验结果与分析 |
| 2.6.1 实验环境和实验过程 |
| 2.6.2 协议分类实验结果 |
| 2.6.3 PDU编码和解码实验结果 |
| 2.6.4 场景仿真 |
| 2.7 本章小结 |
| 第3章 基于免疫动态自适应的异构消息服务系统 |
| 3.1 引言 |
| 3.2 消息动态自适应更新机制 |
| 3.2.1 系统软件架构 |
| 3.2.2 半分布式的免疫动态自适应机制 |
| 3.3 免疫消息分发系统的实现 |
| 3.3.1 抗体与抗原编码 |
| 3.3.2 抗体与抗原的亲和力的计算 |
| 3.3.3 克隆选择和克隆扩增 |
| 3.3.4 高频变异 |
| 3.3.5 免疫记忆 |
| 3.3.6 抗体的自适应增殖和抑制 |
| 3.4 实验结果与分析 |
| 3.4.1 实验环境 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第4章 基于免疫自适应增量学习的5G窄带物联网入侵检测 |
| 4.1 引言 |
| 4.2 5G窄带物联网增量数据传输架构和机制 |
| 4.2.1 信道收发模式 |
| 4.2.2 学习和免疫更新的周期 |
| 4.2.3 控制面数据传输 |
| 4.2.4 用户面数据传输 |
| 4.3 免疫动态自适应增量深度学习 |
| 4.3.1 抗原和抗体 |
| 4.3.2 亲和力计算 |
| 4.3.3 免疫应答过程 |
| 4.3.4 克隆选择 |
| 4.3.5 抗体浓度更新 |
| 4.3.6 增量深度学习 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境 |
| 4.4.2 模型训练结果 |
| 4.4.3 增量深度学习训练的实验结果 |
| 4.4.4 模型传输效率的实验结果 |
| 4.5 本章小结 |
| 第5章 基于词向量深度学习的异构物联网入侵检测 |
| 5.1 引言 |
| 5.2 词嵌入迁移深度学习 |
| 5.2.1 基于域对齐的样本迁移 |
| 5.2.2 基于词嵌入的特征迁移 |
| 5.2.3 基于深度学习的模型迁移 |
| 5.3 实验结果与分析 |
| 5.3.1 实验环境 |
| 5.3.2 实验结果 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（4）自适应免疫进化算法的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 进化算法的研究历程和研究现状 |
| 1.1.1 研究历程 |
| 1.1.2 研究现状 |
| 1.2 人工免疫系统的研究历程和研究现状 |
| 1.2.1 研究历程 |
| 1.2.2 研究现状 |
| 1.3 论文的研究意义和主要内容 |
| 1.3.1 论文的研究意义 |
| 1.3.2 论文的主要内容 |
| 2 进化算法和人工免疫系统概述 |
| 2.1 进化算法的基本原理与算法框架 |
| 2.1.1 进化算法的基本原理 |
| 2.1.2 进化算法的算法框架 |
| 2.2 人工免疫系统 |
| 2.2.1 人工免疫系统的基本原理 |
| 2.2.2 人工免疫系统的算法框架 |
| 2.3 两种种常见的免疫进化算法 |
| 2.4 基于克隆选择策略的免疫进化算法主要参数和收敛性分析 |
| 2.4.1 免疫进化算法中主要参数 |
| 2.4.2 基于克隆选择策略的免疫进化算法的收敛性分析 |
| 3 基于t变异算子的人工免疫克隆选择算法 |
| 3.1 概述 |
| 3.2 人工免疫克隆选择算法的基本思想 |
| 3.3 基于t变异算子的人工免疫克隆选择算法 |
| 3.3.1 高斯变异与柯西变异 |
| 3.3.2 t变异 |
| 3.3.3 算法流程 |
| 3.4 性能评测 |
| 4 多进化策略自适应免疫多目标进化算法 |
| 4.1 概述 |
| 4.2 基于克隆选择的免疫多目标差分进化算法 |
| 4.2.1 多目标差分进化算法 |
| 4.2.2 克隆选择算法 |
| 4.2.3 实验评价标准 |
| 4.3 两种进化策略的免疫多目标差分进化算法 |
| 4.3.1 参数设置 |
| 4.3.2 基于目标函数变化率的进化策略自适应选择方法 |
| 4.3.3 算法流程 |
| 4.4 性能评测 |
| 5 自适应免疫进化算法在大气质量评价中的应用 |
| 5.1 问题背景 |
| 5.2 参数设定 |
| 5.3 数值仿真 |
| 5.4 结果分析 |
| 总结 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（5）基于人工免疫理论的网络攻击检测关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 基于人工免疫理论的网络攻击检测技术概述 |
| 1.2.1 人工免疫理论的发展历程 |
| 1.2.2 相关研究热点综述 |
| 1.3 当前研究工作存在的主要问题 |
| 1.4 本文主要工作及组织结构 |
| 1.4.1 本文主要工作 |
| 1.4.2 论文组织结构 |
| 第二章 基于人工免疫理论的网络攻击检测相关技术 |
| 2.1 生物免疫系统 |
| 2.2 免疫机制 |
| 2.3 计算机免疫学原理 |
| 2.3.1 形态空间 |
| 2.3.2 自体与非自体 |
| 2.3.3 生存周期 |
| 2.3.4 抗体和抗原 |
| 2.4 网络攻击检测中检测器模型通用架构 |
| 2.4.1 检测器生成策略 |
| 2.4.2 检测器成熟过程 |
| 2.4.3 检测器的应答机制 |
| 2.5 网络攻击检测中的标准免疫算法 |
| 2.5.1 否定选择算法 |
| 2.5.2 克隆选择算法 |
| 2.6 种群优化 |
| 2.6.1 克隆选择 |
| 2.6.2 生物进化 |
| 2.7 本章小结 |
| 第三章 基于人工免疫理论的网络攻击检测模型 |
| 3.1 引言 |
| 3.2 数据预处理 |
| 3.3 混合特征生成方法 |
| 3.3.1 基于F-Score的特征生成 |
| 3.3.2 基于粒子群优化算法的特征生成 |
| 3.3.3 混合特征生成模块 |
| 3.4 基于人工免疫的网络攻击检测模型 |
| 3.4.1 检测器的生成 |
| 3.4.2 免疫算法 |
| 3.4.3 检测器的匹配规则 |
| 3.4.4 检测器优化 |
| 3.5 实验设置及结果分析 |
| 3.6 小结 |
| 第四章 基于命题区间时序逻辑的免疫入侵检测模型 |
| 4.1 引言 |
| 4.2 命题区间时序逻辑 |
| 4.2.1 语法语义 |
| 4.2.2 导出公式 |
| 4.3 R-L模式下混合检测器机制 |
| 4.3.1 随机检测器 |
| 4.3.2 命题区间时序逻辑检测器 |
| 4.3.3 R-L检测器机制 |
| 4.4 基于PITL的免疫入侵检测模型 |
| 4.4.1 特征生成模块 |
| 4.4.2 免疫算法 |
| 4.5 实验设置及结果分析 |
| 4.6 小结 |
| 第五章 基于DNA疫苗的人工免疫网络攻击检测 |
| 5.1 引言 |
| 5.2 背景知识 |
| 5.3 疫苗注射机制 |
| 5.3.1 疫苗简介 |
| 5.3.2 DNA疫苗 |
| 5.4 基于DNA疫苗的人工免疫网络攻击检测的种群优化 |
| 5.4.1 疫苗接种方法 |
| 5.4.2 基于DNA疫苗的动态克隆算法 |
| 5.5 基于DNA疫苗的人工免疫攻击检测系统 |
| 5.6 仿真实验与结果分析 |
| 5.7 小结 |
| 第六章 基于扩展命题区间时序逻辑的人工免疫网络攻击检测模型 |
| 6.1 引言 |
| 6.2 扩展命题区间时序逻辑 |
| 6.3 扩展命题区间时序逻辑的网络攻击建模 |
| 6.3.1 Land攻击建模 |
| 6.3.2 Perl攻击建模 |
| 6.3.3 Neptune攻击建模 |
| 6.3.4 Mailbomb攻击建模 |
| 6.3.5 UDP_storm攻击建模 |
| 6.4 基于扩展命题区间时序逻辑的人工免疫网络攻击模型 |
| 6.5 逻辑检测器性能对比 |
| 6.6 小结 |
| 第七章 总结与展望 |
| 7.1 本论文研究工作总结 |
| 7.2 研究工作展望 |
| 第八章 致谢 |
| 参考文献 |
| 作者简历 |
（6）高压输电塔结构地震响应被动—半主动混合控制分析与试验（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 结构智能振动控制理论 |
| 1.3 智能材料在结构振动控制中的应用 |
| 1.3.1 形状记忆合金 |
| 1.3.2 压电材料 |
| 1.4 智能优化及控制算法研究现状 |
| 1.4.1 遗传算法 |
| 1.4.2 人工免疫算法 |
| 1.5 输电塔结构抗震研究现状 |
| 1.5.1 被动控制 |
| 1.5.2 主动控制 |
| 1.5.3 半主动控制 |
| 1.6 本文主要研究内容 |
| 参考文献 |
| 2 混合减震控制系统的设计与性能试验 |
| 2.1 压电堆驱动器 |
| 2.2 SMA丝超弹性性能试验研究 |
| 2.2.1 试验材料与设备 |
| 2.2.2 试验工况 |
| 2.2.3 试验结果与分析 |
| 2.3 混合减震系统设计与工作原理 |
| 2.3.1 构造设计与工作原理 |
| 2.3.2 加工制作 |
| 2.4 能源提供 |
| 2.4.1 光伏发电系统原理 |
| 2.4.2 独立光伏发电系统的设计 |
| 2.5 混合减震控制系统力学性能试验研究 |
| 2.5.1 预压力的施加 |
| 2.5.2 设计参数 |
| 2.5.3 加载方案 |
| 2.5.4 试验结果与分析 |
| 2.6 本章小结 |
| 参考文献 |
| 3 基于遗传算法优化的混合减震系统BP神经网络本构模型 |
| 3.1 遗传算法原理 |
| 3.2 BP神经网络算法原理 |
| 3.3 遗传算法优化的BP神经网络算法 |
| 3.4 基于遗传算法优化的SMABP神经网络本构模型 |
| 3.4.1 确定BP网络结构 |
| 3.4.2 训练样本采集与处理 |
| 3.4.3 仿真结果比较与分析 |
| 3.4.4 确定遗传算法优化参数 |
| 3.5 基于遗传算法优化的混合减震控制系统BP神经网络本构模型 |
| 3.5.1 网络结构 |
| 3.5.2 样本数据 |
| 3.5.3 优化参数 |
| 3.5.4 仿真结果 |
| 3.6 本章小结 |
| 参考文献 |
| 4 基于改进的免疫克隆选择算法的输电塔结构混合减震系统优化配置研究 |
| 4.1 基本免疫克隆选择算法 |
| 4.1.1 基本免疫克隆选择算法的流程 |
| 4.1.2 基本免疫克隆选择算法的存在问题 |
| 4.2 改进的免疫克隆选择算法 |
| 4.2.1 抗体与抗体之间的亲和度 |
| 4.2.2 实数编码 |
| 4.2.3 Logistic混沌序列初始化抗体群 |
| 4.2.4 变异算子的改进 |
| 4.2.5 改进后的免疫克隆算法步骤 |
| 4.3 优化准则 |
| 4.4 混合减震控制系统优化配置算例分析 |
| 4.4.1 优化模型 |
| 4.4.2 优化结果与分析 |
| 4.4.3 优化控制分析 |
| 4.5 本章小结 |
| 参考文献 |
| 5 结构地震响应模糊神经网络控制系统 |
| 5.1 受控系统的状态空间模型 |
| 5.1.1 状态空间的基本概念 |
| 5.1.2 振动控制状态方程 |
| 5.1.3 状态空间模型建立 |
| 5.1.4 控制力位置矩阵建立 |
| 5.2 模糊控制基本原理 |
| 5.3 模糊神经网络控制原理 |
| 5.4 模糊神经网络控制流程 |
| 5.5 模糊神经网络控制系统的设计 |
| 5.5.1 LQR最优主动控制训练样本 |
| 5.5.2 基于自适应模糊神经推理系统的控制仿真 |
| 5.6 算例分析 |
| 5.6.1 模型选取 |
| 5.6.2 生成LQR主动最优控制训练样本 |
| 5.6.3 训练模糊神经推理系统 |
| 5.6.4 模糊神经网络控制仿真分析 |
| 5.7 本章小结 |
| 参考文献 |
| 6 高压输电塔结构地震响应混合减震控制试验研究 |
| 6.1 试验装置与设备 |
| 6.1.1 试验模型 |
| 6.1.2 混合减震控制系统布置与安装 |
| 6.2 试验装置 |
| 6.2.1 试验设备 |
| 6.2.2 驱动电源的设计 |
| 6.2.3 控制系统 |
| 6.3 传感器布置及试验工况 |
| 6.3.1 传感器布置 |
| 6.3.2 试验工况 |
| 6.4 控制流程 |
| 6.5 试验结果与分析 |
| 6.5.1 动力特性分析 |
| 6.5.2 动力反应分析 |
| 6.6 本章小结 |
| 参考文献 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 工作展望 |
| 致谢 |
| 附录 |
（7）基于SMA-压电复合减震系统的电抗器结构地震响应控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 智能混合控制技术 |
| 1.3 智能材料及其在结构振动控制中的应用 |
| 1.3.1 形状记忆合金 |
| 1.3.2 磁流变 |
| 1.3.3 压电陶瓷 |
| 1.3.4 磁致伸缩材料 |
| 1.4 智能复合减振技术研究现状 |
| 1.4.1 SMA复合基础隔震装置 |
| 1.4.2 SMA摩擦复合阻尼器 |
| 1.4.3 其它SMA复合减震装置 |
| 1.4.4 压电陶瓷复合减振装置 |
| 1.4.5 SMA-压电摩擦复合减震装置 |
| 1.5 智能优化方法 |
| 1.5.1 遗传算法 |
| 1.5.2 人工免疫算法 |
| 1.6 电抗器结构的抗震研究现状 |
| 1.6.1 电抗器的种类和功能 |
| 1.6.2 电抗器结构的震害研究 |
| 1.7 本文研究内容 |
| 2 自适应免疫记忆克隆算法 |
| 2.1 生物免疫系统 |
| 2.1.1 免疫系统组成、功能与特点 |
| 2.1.2 免疫系统工作原理 |
| 2.1.3 免疫应答 |
| 2.2 人工免疫算法理论 |
| 2.2.1 AIS算法的描述 |
| 2.2.2 AIS算法的特点 |
| 2.2.3 基本克隆选择算法 |
| 2.3 自适应免疫记忆克隆算法 |
| 2.3.1 亲和度函数构造 |
| 2.3.2 混沌序列初始化抗体群 |
| 2.3.3 变异算子的改进 |
| 2.3.4 实现步骤 |
| 2.4 二维函数测试 |
| 2.4.1 测试函数 |
| 2.4.2 GA的改进 |
| 2.4.3 参数设定 |
| 2.4.4 测试结果与分析 |
| 2.5 本章小结 |
| 3 基于AIMCA的工程结构减震装置优化设计 |
| 3.1 受控结构运动状态方程 |
| 3.1.1 振动控制状态方程 |
| 3.1.2 控制力位置矩阵建立 |
| 3.2 改进的遗传算法 |
| 3.2.1 传统遗传算法交叉与变异 |
| 3.2.2 改进编码方式 |
| 3.2.3 改进交叉算子 |
| 3.2.4 改进变异算子 |
| 3.3 优化准则 |
| 3.4 优化算例 |
| 3.4.1 空间网架模型 |
| 3.4.2 算法参数 |
| 3.4.3 优化结果与分析 |
| 3.5 优化结果控制分析 |
| 3.6 本章小结 |
| 4 SMA-压电摩擦复合减震装置的设计与力学性能试验 |
| 4.1 压电陶瓷驱动器 |
| 4.1.1 工作原理 |
| 4.1.2 使用要求 |
| 4.2 SMA-压电摩擦复合减震装置 |
| 4.2.1 构造设计 |
| 4.2.2 工作原理 |
| 4.2.3 加工制作 |
| 4.3 SMA丝超弹性性能试验 |
| 4.3.1 试验材料与设备 |
| 4.3.2 试验工况 |
| 4.3.3 试验结果与分析 |
| 4.4 SMA-压电摩擦复合减震装置性能试验 |
| 4.4.1 预压力的施加 |
| 4.4.2 设计参数 |
| 4.4.3 加载方案 |
| 4.4.4 试验结果与分析 |
| 4.5 本章小结 |
| 5 基于AIMCA的复合减震装置神经网络本构模型 |
| 5.1 SMA本构模型 |
| 5.1.1 唯象理论模型 |
| 5.1.2 四折线简化模型 |
| 5.2 AIMCA优化BP网络算法 |
| 5.2.1 BP网络算法原理 |
| 5.2.2 BP网络算法的缺点 |
| 5.2.3 AIMCA优化BP网络算法 |
| 5.3 SMA神经网络本构模型 |
| 5.3.1 确定BP网络结构 |
| 5.3.2 训练样本采集与处理 |
| 5.3.3 仿真结果比较与分析 |
| 5.4 AIMCA优化的复合减震装置BP网络本构模型 |
| 5.4.1 网络结构 |
| 5.4.2 样本数据 |
| 5.4.3 优化参数 |
| 5.4.4 仿真结果 |
| 5.5 本章小结 |
| 6 SMA-压电摩擦复合减震装置的减震性能分析 |
| 6.1 BOUC-WEN恢复力模型 |
| 6.2 非线性结构振动控制运动状态方程 |
| 6.3 控制策略 |
| 6.3.1 控制过程 |
| 6.3.2 模糊控制器设计 |
| 6.4 算例分析 |
| 6.4.1 地震波选取 |
| 6.4.2.单自由度弹性结构 |
| 6.4.3.非线性结构分析 |
| 6.5 本章小结 |
| 7 干式空心电抗器结构减震控制试验 |
| 7.0 试验模型 |
| 7.1 减震装置安装 |
| 7.2 试验装置及设备 |
| 7.2.1 振动台系统 |
| 7.2.3 仿真控制系统 |
| 7.3 传感器布置及试验工况 |
| 7.3.1 传感器布置 |
| 7.3.2 试验工况 |
| 7.4 控制流程 |
| 7.5 试验结果与分析 |
| 7.5.1 动力特性分析 |
| 7.5.2 动力反应分析 |
| 7.5.3 试验与仿真对比 |
| 7.6 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论 |
| 8.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表论文情况 |
| 攻读博士期间参与科研项目情况 |
| 专利申请情况 |
（8）土地利用优化配置的多目标人工免疫优化模型研究（论文提纲范文）
| 论文创新点 |
| 图目录 |
| 表目录 |
| 摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 土地利用配置模型研究进展 |
| 1.2.2 AIS及其在土地利用优化配置中的应用 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究的关键技术 |
| 1.5 本章小结 |
| 2. 研究的基础理论与方法 |
| 2.1 土地利用优化配置的理论基础 |
| 2.1.1 相关的理论基础 |
| 2.1.2 优化配置的基本原则 |
| 2.2 多目标优化技术 |
| 2.2.1 多目标优化的基本概念 |
| 2.2.2 多目标优化的基本方法 |
| 2.3 人工免疫系统的主要模型与算法 |
| 2.3.1 人工免疫系统的免疫学机理 |
| 2.3.2 人工免疫系统的重要模型 |
| 2.3.3 重要的人工免疫优化算法 |
| 2.4 并行计算技术与方法 |
| 2.4.1 并行计算机的体系结构 |
| 2.4.2 并行编程模式与编程语言 |
| 2.4.3 并行算法性能度量指标 |
| 2.4.4 并行人工免疫系统的一般模型 |
| 2.5 本章小结 |
| 3. 土地利用优化配置的人工免疫概念模型构建 |
| 3.1 总体技术框架与模型设计思路 |
| 3.2 土地利用优化配置问题定义 |
| 3.2.1 土地资源数量结构优化问题定义 |
| 3.2.2 土地利用空间布局优化问题定义 |
| 3.3 土地利用优化的AIS概念模型构建 |
| 3.3.1 数量结构优化问题的人工抗体模型 |
| 3.3.2 空间布局优化问题的人工抗体模型 |
| 3.4 本章小结 |
| 4. 领域知识指导的AIS 土地利用优化算法 |
| 4.1 多目标人工免疫优化模型的基本原理 |
| 4.2 面向土地资源数量结构优化的MOAI-LUSO算法 |
| 4.2.1 种群初始化 |
| 4.2.2 抗体修复机制 |
| 4.2.3 抗体变异算子 |
| 4.2.4 抗体交叉算子 |
| 4.3 知识指导的土地利用布局并行优化PAI-LUSA算法 |
| 4.3.1 种群初始化策略 |
| 4.3.2 知识指导的变异算子 |
| 4.3.3 优化算法的并行策略 |
| 4.4 本章小结 |
| 5. 基于AIS的并行土地利用优化决策支持系统 |
| 5.1 土地利用优化配置智能优化系统研究现状 |
| 5.2 土地利用优化决策支持系统开发的基本需求 |
| 5.3 土地利用优化AIS模型总体框架与基本算子 |
| 5.4 土地利用智能优化决策支持系统关键技术 |
| 5.4.1 系统总体架构 |
| 5.4.2 应用插件开发模型 |
| 5.4.3 免疫算子开发模型 |
| 5.4.4 免疫算法并行实现 |
| 5.5 智能决策支持系统的开发与实现 |
| 5.6 本章小结 |
| 6. 模型应用实证研究 |
| 6.1 研究区概况 |
| 6.1.1 地理位置 |
| 6.1.2 自然环境条件 |
| 6.1.3 社会经济条件 |
| 6.1.4 土地利用现状 |
| 6.2 实验数据预处理 |
| 6.2.1 基础资料收集与预处理 |
| 6.2.2 数量结构优化实验数据预处理 |
| 6.2.3 空间布局优化实验数据预处理 |
| 6.3 土地利用优化结果分析与评价 |
| 6.3.1 数量结构优化结果分析与评价 |
| 6.3.2 空间布局优化结果分析与评价 |
| 6.4 优化算法性能评估 |
| 6.5 本章小结 |
| 7. 总结与后续研究 |
| 7.1 研究总结 |
| 7.1.1 全文总结 |
| 7.1.2 主要创新 |
| 7.2 后续研究 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
（9）混合免疫优化理论与算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 优化问题与优化算法 |
| 1.1.1 优化问题 |
| 1.1.2 优化算法 |
| 1.2 免疫优化算法 |
| 1.2.1 生物免疫系统 |
| 1.2.2 人工免疫算法 |
| 1.2.3 免疫优化算法 |
| 1.3 混合免疫优化算法的研究概况 |
| 1.3.1 混合优化算法的混合策略 |
| 1.3.2 混合免疫优化算法的研究进展 |
| 1.3.3 混合免疫优化算法的应用研究进展 |
| 1.4 混合免疫优化算法研究存在的不足及解决思路 |
| 1.4.1 混合免疫优化算法理论研究的不足及解决思路 |
| 1.4.2 混合免疫优化算法应用研究的局限及扩展 |
| 1.5 本论文的主要研究工作及内容安排 |
| 第2章 免疫算法和蚁群算法的混合及其在组合优化中的应用 |
| 2.1 引言 |
| 2.2 组合优化问题及旅行商问题 |
| 2.2.1 组合优化问题 |
| 2.2.2 旅行商问题(TSP) |
| 2.3 基于抗体小窗口局部搜索的蚁群和免疫混合算法(ACLA) |
| 2.3.1 ACLA算法流程 |
| 2.3.2 混沌蚁群算法 |
| 2.3.3 基于免疫基因操作的克隆选择算法 |
| 2.3.4 抗体小窗口局部搜索算法 |
| 2.4 ACLA算法收敛性分析 |
| 2.5 实验仿真 |
| 2.5.1 算法比较 |
| 2.5.2 ACLA算法与ACS算法性能比较 |
| 2.6 本章小结 |
| 第3章 分层协同进化免疫算法及其在组合优化中的应用 |
| 3.1 引言 |
| 3.2 协同进化及协同进化算法 |
| 3.2.1 协同进化 |
| 3.2.2 协同进化算法 |
| 3.3 分层协同进化免疫模型及算法(HCIA) |
| 3.3.1 亲和度函数 |
| 3.3.2 HCIA算法的模型及流程 |
| 3.3.3 HCIA算法的低层操作 |
| 3.3.4 HCIA算法的高层操作 |
| 3.4 分层协同进化免疫算法收敛性分析 |
| 3.5 分层协同进化免疫算法在TSP中的仿真实验 |
| 3.5.1 算法比较 |
| 3.5.2 抗体个数m对HCIA算法性能影响 |
| 3.5.3 子种群个数NN对HCIA算法性能影响 |
| 3.6 ACLA算法与HCIA算法性能比较 |
| 3.7 本章小结 |
| 第4章 多子种群粒子群免疫协同进化算法及其在数值优化中的应用 |
| 4.1 引言 |
| 4.2 数值优化问题及函数最优化问题 |
| 4.2.1 数值优化问题 |
| 4.2.2 函数最优化问题 |
| 4.3 多子种群粒子群免疫协同进化算法(MAPCPSOI)模型及流程 |
| 4.3.1 MAPCPSOI算法模型 |
| 4.3.2 MAPCPSOI算法流程 |
| 4.4 MAPCPSOI算法的实现 |
| 4.4.1 低层自适应多态杂交粒子群算法 |
| 4.4.2 基于种间协同竞争的高层免疫算法 |
| 4.4.3 同峰判断算子 |
| 4.5 函数优化仿真测试 |
| 4.5.1 MAPCPSOI算法参数分析 |
| 4.5.2 对比实验研究 |
| 4.5.3 高维及超高维函数对比实验 |
| 4.5.4 多模态函数全局优化实验 |
| 4.5.5 子种群多样性分析 |
| 4.6 本章小结 |
| 第5章 免疫算法的混合及其在多模态函数优化问题中的应用 |
| 5.1 引言 |
| 5.2 多模态函数优化问题及适应度函数 |
| 5.2.1 多模态函数优化问题 |
| 5.2.2 适应度函数 |
| 5.3 融合Powell法的粒子群优化算法(IPSO-P) |
| 5.3.1 IPSO-P算法流程 |
| 5.3.2 标准粒子群算法及其改进 |
| 5.3.3 Powell搜索法 |
| 5.3.4 极值点的同峰判断 |
| 5.4 IPSO-P算法在多模态函数中仿真实验 |
| 5.4.1 Powell法搜索概率的确定 |
| 5.4.2 与其他算法仿真对比实验 1 |
| 5.4.3 与其他算法仿真对比实验 2 |
| 5.5 免疫云粒子群优化算法(PPSO) |
| 5.5.1 PPSO算法流程 |
| 5.5.2 云变异粒子群优化算法 |
| 5.5.3 自适应小波变异克隆选择算法 |
| 5.6 PPSO算法性能及全局收敛性分析 |
| 5.6.1 算法性能分析 |
| 5.6.2 全局收敛性分析 |
| 5.7 PPSO算法在多模态函数中仿真实验 |
| 5.7.1 二维多模态函数仿真实验 |
| 5.7.2 搜索性能分析 |
| 5.7.3 高维多模态函数仿真实验 |
| 5.8 IPSO-P算法与PPSO算法对比 |
| 5.9 本章小结 |
| 第6章 免疫云粒子群优化算法在离散混沌系统滑模控制中的应用 |
| 6.1 引言 |
| 6.2 神经滑模等效控制 |
| 6.2.1 滑模控制 |
| 6.2.2 BP神经网络流程 |
| 6.2.3 基于等效控制方法的神经滑模控制 |
| 6.3 基于PPSO算法的神经滑模等效控制(PPSO-NNSMC) |
| 6.3.1 评价函数的选择 |
| 6.3.2 PPSO-NNSMC流程 |
| 6.4 基于PPSO-NNSMC的离散混沌系统仿真实验 |
| 6.4.1 非线性系统算例仿真实验 |
| 6.4.2 Henon混沌系统仿真实验 |
| 6.4.3 六辊UC轧机混沌系统仿真实验 |
| 6.5 本章小结 |
| 总结及展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的学术论文目录 |
| 附录B 攻读学位期间主持或参研的项目目录 |
（10）混合免疫智能优化算法研究及其在复杂系统中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 人工免疫系统的研究概况 |
| 1.1.1 生物免疫系统 |
| 1.1.2 人工免疫系统 |
| 1.1.3 人工免疫算法 |
| 1.2 混合免疫智能算法研究概况 |
| 1.2.1 混合免疫智能算法 |
| 1.2.2 混合免疫智能算法应用研究进展 |
| 1.3 存在的主要问题及解决途径 |
| 1.3.1 混合免疫智能算法理论研究的缺陷及解决思路 |
| 1.3.2 混合免疫智能算法应用研究的局限及拓展 |
| 1.4 本文的主要工作及内容安排 |
| 第2章 竞争合作型协同免疫进化算法 |
| 2.1 引言 |
| 2.2 竞争合作协同免疫进化模型(CCCICA) |
| 2.2.1 基于生态种群密度的种群竞争操作 |
| 2.2.2 群体协同合作操作 |
| 2.3 种群内部免疫优势克隆选择操作 |
| 2.3.1 抗体局部最优免疫优势算子 |
| 2.3.2 基于信息熵的种群多样性控制 |
| 2.3.3 种群内部抗体克隆选择操作 |
| 2.4 算法流程及其收敛性能分析 |
| 2.4.1 竞争合作型协同免疫进化算法步骤 |
| 2.4.2 收敛性分析 |
| 2.4.3 时间复杂度分析 |
| 2.5 实验仿真 |
| 2.5.1 三种不同形式ICA算法性能比较 |
| 2.5.2 CCCICA与其它免疫克隆选择算法的性能比较 |
| 2.5.3 CCCICA与其它智能算法的性能比较 |
| 2.6 小结 |
| 第3章 免疫双态粒子群算法 |
| 3.1 引言 |
| 3.2 粒子群算法优化原理 |
| 3.3 免疫双态粒子群算法(IBPSO) |
| 3.3.1 双态粒子群算法机理 |
| 3.3.2 精英粒子局部增强学习算子 |
| 3.3.3 粒子免疫优化 |
| 3.4 IBPSO算法流程及性能分析 |
| 3.4.1 算法IBPSO流程 |
| 3.4.2 算法性能及收敛性分析 |
| 3.5 仿真实验及分析 |
| 3.5.1 BPSO(双模态粒子群)比例参数 |
| 3.5.2 算法精度比较 |
| 3.5.3 t-test测试比较 |
| 3.5.4 高维函数实验 |
| 3.5.5 多模态函数及多样性实验 |
| 3.6 小结 |
| 第4章 免疫协同粒子群算法 |
| 4.1 引言 |
| 4.2 免疫协同粒子群进化算法(ICPSO) |
| 4.2.1 免疫协同粒子群进化模型 |
| 4.2.2 普通种群混合免疫网络粒子群算法 |
| 4.2.3 记忆库免疫进化 |
| 4.3 协作操作 |
| 4.3.1 个体极值小波学习 |
| 4.3.2 优势抗体迁移与共享 |
| 4.4 ICPSO算法流程 |
| 4.5 实验仿真及分析 |
| 4.5.1 算法精度比较 |
| 4.5.2 算法计算复杂度比较 |
| 4.5.3 算法t-test值比较 |
| 4.5.4 相关参数及其算子分析 |
| 4.5.5 动态性能测试 |
| 4.5.6 ICPSO与IBPSO的性能比较 |
| 4.6 小结 |
| 第5章 免疫蚁群自适应融合算法 |
| 5.1 引言 |
| 5.2 蚁群算法优化机理 |
| 5.3 改进的蚁群算法 |
| 5.3.1 带混沌扰动算子启发式蚁群算法 |
| 5.3.2 MAX-MIN机制 |
| 5.4 免疫操作搜索算子 |
| 5.4.1 抗体片段的局部最优搜索算子(LS) |
| 5.4.2 基于抗体片段的最小生成树(MST)搜索算子 |
| 5.4.3 免疫疫苗操作 |
| 5.5 自适应融合算法(ACALA) |
| 5.5.1 控制参数P_g自适应调节策略 |
| 5.5.2 自适应融合算法(ACALA)流程 |
| 5.6 算法收敛性分析及实验仿真 |
| 5.6.1 算法收敛性分析 |
| 5.6.2 实验仿真及分析 |
| 5.7 小结 |
| 第6章 混沌系统自抗扰优化控制 |
| 6.1 引言 |
| 6.2 自抗扰控制 |
| 6.3 基于免疫双态粒子群(IBPSO)算法的混沌系统自抗扰优化控制 |
| 6.3.1 非线性混沌系统 |
| 6.3.2 评价函数的选择 |
| 6.3.3 混沌系统自抗扰优化控制系统结构图 |
| 6.3.4 基于IBPSO算法的混沌系统ADRC优化控制算法流程 |
| 6.3.5 实验 |
| 6.4 基于IBPSO算法的混沌系统ADRC-CMAC并行优化控制 |
| 6.4.1 CMAC结构 |
| 6.4.2 ADRC与CMAC并行控制算法 |
| 6.4.3 基于IBPSO的ADRC-CMAC优化设计流程 |
| 6.4.4 实验 |
| 6.5 小结 |
| 第7章 永磁同步电机系统多参数辨识 |
| 7.1 引言 |
| 7.2 PMSM数学模型 |
| 7.3 基于免疫协同粒子群算法(ICPSO)的永磁同步电机多参数辨识模型 |
| 7.3.1 基于ICPSO的永磁同步电机多参数辨识思想 |
| 7.3.2 基于ICPSO的永磁同步电机多参数辨识模型 |
| 7.4 实验及分析 |
| 7.4.1 实验方案与平台 |
| 7.4.2 实验结果 |
| 7.5 小结 |
| 全文总结及工作展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的学术论文目录 |
| 附录B 攻读学位期间完成的科研课题目录 |
四、基于人工免疫系统的函数优化及其在复杂系统中的应用研究（论文参考文献）
- [1]基于CBR-AIS智能决策支持的新创企业成长风险识别方法研究[D]. 刘畅. 江西财经大学, 2021(10)
- [2]基于小波变换和免疫算法自适应改进的医学图像去噪研究[D]. 李寄仲. 东华大学, 2021(09)
- [3]异构移动物联网的融合与安全通信研究[D]. 陈頔. 哈尔滨理工大学, 2020(04)
- [4]自适应免疫进化算法的研究与应用[D]. 康锰. 安徽理工大学, 2020(04)
- [5]基于人工免疫理论的网络攻击检测关键技术研究[D]. 陈茜月. 战略支援部队信息工程大学, 2020(03)
- [6]高压输电塔结构地震响应被动—半主动混合控制分析与试验[D]. 余滨杉. 西安建筑科技大学, 2018(06)
- [7]基于SMA-压电复合减震系统的电抗器结构地震响应控制研究[D]. 展猛. 西安建筑科技大学, 2017(06)
- [8]土地利用优化配置的多目标人工免疫优化模型研究[D]. 赵翔. 武汉大学, 2013(07)
- [9]混合免疫优化理论与算法及其应用研究[D]. 吴建辉. 湖南大学, 2013(01)
- [10]混合免疫智能优化算法研究及其在复杂系统中的应用[D]. 刘朝华. 湖南大学, 2012(04)