浅谈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

《浅谈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》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江大学博士学位论文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姓名：徐雪松申请学位级别：博士专业：控制理论与控制工程指导教师：诸静20040101摘要摘要本文对基于人工免疫系统的函数优化方法及其在复杂系统智能控制中的应用进行了研究探讨，文章包括两部分内容。第一部分，提出了一种基于克隆选择的函数优化方法。多模态函数和时变函数的随机优化问题是函数优化的重要研究内容，也是一个难以解决的问题。B细胞的克隆选择机制是免疫系统搜索抗体的重要手段，也是产生抗体多样性的重要原因，具有较强的优化能力。本

2、文借鉴B细胞的克隆选择机制，通过构造克隆选择算子，提出了一种用于多模态函数和时变函数优化的克隆选择算法，进行了仿真验证以及应用探索。研究结果表明，该算法优化能力和保持模式多样性的能力较强，能够获得较好的多模态函数和时变函数优化效果。第二部分，对基于克隆选择算法的人工免疫系统在复杂系统智能控制中的应用进行了探讨。主要包括模糊控制器与人工神经网络的优化设计，以及具有不确定性的复杂系统的模糊神经网络模型辨识三个方面。首先，模糊控制和神经网络控制是智能控制研究的重要内容，常规的模糊控制器和人工神经网络设

3、计方法主观性较强，容易影响控制器性能。通过机器学习，对实际数据进行分析，获得较好的模糊控制器或人工神经网络结构和形式，对提高智能控制效果显得较为重要。本文探讨了利用克隆选择算法，对模糊控制器和人工神经网络进行优化设计的一种方法和途径，并进行了仿真研究，实现了模糊控制器控制规则的自动抽取和参数优化，以及人工神经网络的结构和参数的优化设计，获得了较好的设计效果。其次，免疫识别具有较强的鲁棒性和适应性，借鉴抗体识别原理可以构造快速、鲁棒的复杂系统模型辨识方法。不确定系统的自适应神经网络模型辨识的实质是

4、一个时交函数优化问题，克隆选择算法适应性强，适合用于求解此类优化问题。本文采用克隆选择算法，结合抗体的模块化构成方式、抗体识别球原理，以及模糊神经网络，针对具有不确定性的复杂系统，提出了一种基于模糊神经网络的免疫在线模型辨识方法，并进行了仿真验证。结果表明，该方法在扰动范围较大的情况下，能够有效实现复杂系统模糊神经网络模型的快速在线辨识，鲁棒性和实时性较强。关键词：人工免疫系统、克隆选择算法、函数优化、模糊控制器优化设计、人工神经网络优化设计、复杂系统模糊神经网络模型辨识露受警?，灏肇t；≮Ab

5、stractAfunctionoptimizationapproachbasedonartificialimmunesystemanditsapplicationsinintelligentcontrolofcomplexsystemareresearched．Thedissertationconsistsoftwoparts．Thefirstpart：AfunctionoptimizationalgorithmbasedonthemechanismofcloneandselectionofBc

6、ellsispresented．Functionsoptimizationformulti-modalfunctionsoptimizationandnon-stationaryareoneofimportantresearchsubjectsoffunctionoptimization．Bothoftheproblemsaredifficulttobesolvedbystochasticoptimizationalgorithmsinexistence．Cloneandselectionmec

7、hanismofBcellsisoneoftheimportantapproachestosearchantibodies，aswellasoneofimportantfactorstogenerateantibodiesdiversity．Ithasstrongoptimizationability．Inthispaper,CloneSelectionAlgorithm(CSA)basedoncloneandselectionoperatorformulti-modalfunctionsand

8、non-stationaryfunctionswaspresented．Simulationswereconducted．ResultsshowedCSAhadstrongabilityoffunctionoptimizationandmaintainingdiversity．Itwasoneofeffectivealgorithmsformulti—modalfunctionsandnon—stationaryfunctionsoptimization．Thesecondparts：Appli