Hybrid learning clonal selection algorithm
Hybrid learning clonal selection algorithm
复制标题
混合学习克隆选择算法
DOI：
10.1016/j.ins.2014.10.056
复制
发表时间：
2015-03
影响因子：
8.1
通讯作者：
Bao-Liang Lu
中科院分区：
文献类型：
--
作者：
Yong Peng;Bao-Liang Lu
人工免疫系统是受人类免疫系统启发而产生的一类计算智能方法。克隆选择算法作为一种流行的人工免疫计算模型，在许多优化问题中得到了广泛的应用。CSA主要通过模拟免疫反应过程的超变异运算符生成新方案。然而，这些超变异算子通常会对种群中的抗体进行扰动，是半盲的，对于复杂的优化问题效果不佳。在本文中，我们提出了一种混合学习克隆选择算法（HLCSA），通过将两种学习机制，鲍德温学习和正交学习，到CSA指导免疫反应过程。具体而言，（1）Baldwinian学习用于指导基于Baldwin效应的基因型变化，该算子通过利用其他抗体的信息来改变搜索空间来增强抗体信息;（2）正交学习算子用于搜索由一个抗体及其最佳Baldwinian学习向量定义的空间。在HLCSA中，Baldwinian学习用于探索（全局搜索），而正交学习用于开发（局部细化）。因此，正交学习可以看作是对鲍德温学习搜索能力的补偿。为了验证所提出的算法的有效性，一套十六个基准测试问题输入HLCSA。实验结果表明，HLCSA在解决大多数优化问题时表现得很好。因此，HLCSA是一种有效的和强大的优化算法。
Artificial immune system is a class of computational intelligence methods drawing inspiration from human immune system. As one type of popular artificial immune computing model, clonal selection algorithm (CSA) has been widely used for many optimization problems. CSA mainly generates new schemes by hyper-mutation operators which simulate the immune response process. However, these hyper-mutation operators, which usually perturb the antibodies in population, are semi-blind and not effective enough for complex optimization problems. In this paper, we propose a hybrid learning clonal selection algorithm (HLCSA) by incorporating two learning mechanisms, Baldwinian learning and orthogonal learning, into CSA to guide the immune response process. Specifically, (1) Baldwinian learning is used to direct the genotypic changes based on the Baldwin effect, and this operator can enhance the antibody information by employing other antibodies’ information to alter the search space; (2) Orthogonal learning operator is used to search the space defined by one antibody and its best Baldwinian learning vector. In HLCSA, the Baldwinian learning works for exploration (global search) while the orthogonal learning for exploitation (local refinement). Therefore, orthogonal learning can be viewed as the compensation for the search ability of Baldwinian learning. In order to validate the effectiveness of the proposed algorithm, a suite of sixteen benchmark test problems are fed into HLCSA. Experimental results show that HLCSA performs very well in solving most of the optimization problems. Therefore, HLCSA is an effective and robust algorithm for optimization.
登录
查看更多内容
影响因子：
10
作者：
Neri, Ferrante;Cotta, Carlos
通讯作者：
Cotta, Carlos
DOI：
10.1007/bfb0056890
发表时间：
1998-09
期刊：
--
影响因子：
--
作者：
K. Ku;M. Mak
通讯作者：
K. Ku;M. Mak
DOI：
10.1007/3-540-45105-6_22
发表时间：
2003-07
期刊：
--
影响因子：
--
作者：
N. C. Cortés;C. Coello
通讯作者：
N. C. Cortés;C. Coello
DOI：
10.1109/isspa.2012.6310672
发表时间：
2012-07
期刊：
2012 11th International Conference on Information Science, Signal Processing and their Applications (ISSPA)
影响因子：
--
作者：
Yong Peng;Bao-Liang Lu
通讯作者：
Yong Peng;Bao-Liang Lu
具有复合试验向量生成策略和控制参数的差分进化
影响因子：
14.3
作者：
Wang, Yong;Cai, Zixing;Zhang, Qingfu
通讯作者：
Zhang, Qingfu