免疫算法与遗传算法比较

　　一、遗传算法

　　遗传算法是模拟生物进化过程而设计出来的随机启发式全局优化方法. 其具体步骤如下 :

　　(1) 根据问题实际选择合适的解的表达形式以及各个参数 (群体规模、交叉率、变异率等)的值 ;

　　(2) 随机产生初始解群体 ;

　　(3) 对解群体中的各个解个体进行评价 ,由此得出各个解的适应值 ;

　　(4) 按照解的适应值对解群体进行“遗传进化操作(选择、交叉、变异) ”,以产生新群体 ;

　　(5) 判断是否满足结束条件 ,是 ,则结束 ;否 ,则重复 3～5 步。

　　二、免疫算法

　　免疫算法是模拟免疫系统对病菌的多样性识别能力(即免疫系统几乎可以识别无穷多种类的病菌) 而设计出来的多峰值搜索算法 ,其具体步骤如下 :

　　(1) 根据问题实际选择合适的解的表达形式以及各个参数 (群体规模、交叉率、变异率、浓度阈值等) 的值 ;

　　(2) 基于记忆库的记忆元素产生初始解群体 ,若记忆库中没有相关记忆 ,则随机产生 ;

　　(3) 对解群体中的各个解个体进行综合评价 ,包括解(抗体) 与问题(抗原) 的适应值(亲和力) 以及解与解之间的相似度(亲和力) ;

　　(4) 按照解的综合评价值对解群体进行“增殖分化操作(选择、交叉、变异) ”,以产生新群体 ;

　　(5) 判断是否满足结束条件 ,是 ,则结束并将问题的特征描述以及结果元素存入记忆库 ;否 ,则重复 3～5 步。

　　三、免疫算法与遗传算法的不同

　　1) 搜索目的 :遗传算法以搜索全局优解为目标 ;而免疫算法是以搜索多峰值函数的多个极值为目标。

　　2) 评价标准 :基于以上搜索目的 ,遗传算法以解 (个体) 对函数的适应值为唯一的评价标准 ;而免疫算法以解(个体) 对函数的适应值以及解(个体) 本身的浓度的综合(为保持群体多样性 ,只有那些适应值高且浓度较低的个体才是好的) 作为评价标准。

　　3) 交叉与变异操作的应用 :在遗传算法中交叉操作作为保留好的“基因”同时又给群体带来变化的操作 ,是遗传算法中的主要操作 ,而变异操作由于其变化较为激烈 ,只能作为算法中的辅助操作 ,从而保证算法的平稳全局收敛. 在免疫算法中 ,为维持群体的多样性从而实现多峰值收敛 ,操作以变异为主 ,以交叉为辅。

　　4) 记忆库 :在遗传算法中没有记忆库这一概念. 记忆库是受免疫系统具有免疫记忆的特性的启示 ,在免疫算法结束时 ,将问题后的解及问题的特征参数存入记忆库中 ,以便在下次遇到同类问题时可以借用这次的结论 ,从而加快问题解决的速度 ,提高问题解决的效率。

　　小编给大家整理了一份关于免疫算法与遗传算法比较的论文资料，这份资料已经上传至网页中，读者可通过以下方式获得：

　　1.注册网站，就可下载

　　2.关注微信公众号后联系客服获取

　　想要了解更多的资料、信息，可持续关注我们，我们将为大家提供有价值、有需求的材料。为大家在科研中省去烦恼。