【正文】 優(yōu)。 克隆選擇算法2000年，卡斯特羅等。（1）克隆選擇算法的流程CLONALG算法是今年來提出的比較典型的一種免疫選擇算法，該算法具體流程如下：Step1：生成初始候選解集Ab,Ab是由記憶單元（Abm）和保留種群（Abr）組成，Ab=Abm+Abr。即親和度越大，克隆的個數(shù)越多。即抗體親和度越大，變異率越??；反之亦然；Step5：確定C39。CLONALG算法的大致流程圖22如下：圖22 克隆選擇算法流程 （2）克隆選擇算法的特點以上所述可以看出，不是一個簡單的進化算法的改進，而是一個新的人工免疫系統(tǒng)的克隆選擇算法。算法結(jié)構(gòu)，不但強調(diào)抗體人口的健身功能的變化也對抗體的克隆選擇算法和其改進身體親和力的概念之間的相互作用變化的多樣性有關(guān)。的仿生進化中具有獨特的優(yōu)勢，近年來，在復雜的優(yōu)化問題的解決提出建議多峰函數(shù)優(yōu)化進化算法，如健身共享方法，序列利基法律，法簡單分組的功能，協(xié)同進化共享利基，以及在上一節(jié)討論了克隆選擇算法（CLONALG）等。庫克和亨特是基于機器學習，人工免疫網(wǎng)絡算法的自然免疫網(wǎng)絡系統(tǒng)的學習和記憶能力。 獨特的免疫調(diào)節(jié)網(wǎng)絡的啟發(fā)，castr?？ㄋ固亓_和的迪米斯作為一個多峰優(yōu)化問題的聚類問題，并根據(jù)這種思維導向的多峰函數(shù)優(yōu)化，人工免疫網(wǎng)絡算法稱為選擇aiNet算法。初始化各個參數(shù)值:網(wǎng)絡抑制閾值σs，初始群體個數(shù)N，克隆增殖數(shù)目Nc，隨機加入新抗體比例d%，指數(shù)函數(shù)衰減數(shù)β，最大迭代次數(shù)Ngen；Step2:如果算法停止條件滿足，則退出。 :對每一克隆群體進行適應度比例超變異，但不對父代抗體進行超變異操作，超變異操作按照式（21）進行。否則轉(zhuǎn)至 。第二步：每個網(wǎng)絡防斷選擇局部最優(yōu)解克隆選擇。這個過程中知道，平均抗體與前一代或不那么遠，網(wǎng)絡的穩(wěn)定網(wǎng)絡的平均健身健身。 本章小結(jié)克隆選擇算法是基于親和度為比例的繁殖和變異，該算法使后代產(chǎn)生高親和度的抗體，具有貪婪性，可以使局部個體趨于最優(yōu)。而optaiNet算法雖然克服了克隆選擇算法的早熟現(xiàn)象，但它收斂速度較慢，在一些要求收斂速度很快的場合是不適用的。它是用來認識和模擬人類智能行為的一個實體，可以是一個軟件也可以是一個硬件。十九世紀八十年末，Bratman提出BDI模型（用來描述智能體特性），在此模型中，作者定義了模型中的智能體的三種狀態(tài)：信念（擁有的知識），期望（能力）和意圖（達到的目標）。智能體作為一個實體，或物理的或抽象的，受環(huán)境和周邊影響，作用于自身和反作用于環(huán)境。（2）反應性上面介紹智能體的時候已經(jīng)提到智能體能感知環(huán)境，并對環(huán)境作出反應。（3）社會性正像人類群體一樣，智能體也具有社會性。適者生存，不適者淘汰。一個agent可以是一個能感知并作用于環(huán)境的一個實體，很多個這樣的實體就可以構(gòu)成一個多Agent系統(tǒng)[17]，其特性主要表現(xiàn)為：（1）每個Agent能感知局部環(huán)境的能力；（2）沒有系統(tǒng)的全局控制；（3）數(shù)據(jù)是分散的；（4）計算是異步的。圖31 Agent網(wǎng)絡定義1：將位置（i,j）的Agent表示成；i,j=1,2,…,的鄰域為,={,},其中 (31)定義2：Agent的能量定義為優(yōu)化模型的目標函數(shù)值，則 Agent 的能量表示為： (32) 這里為Agent 的目標函數(shù)值。而自然選擇其實就是一個與局部環(huán)境有關(guān)的全局現(xiàn)象。這一特性也是其一個主要的優(yōu)勢。 進化操作算子鄰域克隆選擇學習算法的主要操作算子為：鄰域克隆選擇、鄰域競爭和自學習算子。鄰域克隆選擇算子可表達為： (33)這里，為鄰域中競爭力最大的個體，為克隆操作：，為維行向量；為變異操作：，為變異運算；為選擇操作：。鄰域競爭算子可表述為：如果，則，；否則， ， (34)為均勻分布的隨機數(shù)。該算子包括以下步驟：a) 根據(jù)式(35)產(chǎn)生()的Agent網(wǎng)格，更新 (35)其中，的確定為式(36) (36)其中，表示搜索半徑。自學習操作后的抗體網(wǎng)絡為。初始化免疫Agent網(wǎng)格系統(tǒng)，將域中隨機生成的個初始抗體群按實數(shù)編碼置于網(wǎng)格系統(tǒng)上， 編碼長度為。 (5) 進行自學習操作。圖32~圖36分別表示～函數(shù)分布圖。方差103177。103105177。103108177。00 177。 算法分析 在鄰域克隆選擇學習算法中，有幾個參數(shù)是需要調(diào)整的。一般選用=。收斂半徑太小，有可能搜索不到最優(yōu)值，收斂半徑太大，則有可能迭代次次數(shù)太增加，時間要變長。優(yōu)化中的算法，每個都需要收斂性驗證。4 鄰域克隆選擇學習算法的分餾裝置資源優(yōu)化應用 分餾裝置模型優(yōu)化分析 分餾系統(tǒng)資源優(yōu)化模型 分餾裝置是化工中普遍用到的分離設備。其主要是用來進行成分分離。 分流系統(tǒng)優(yōu)化模型可描述為： (41)。從圖中可以看出他們呈一個非線性關(guān)系。模型中消耗的能耗值就是適應度值。而能耗總值就是輸出量，就是適應度值。其實際的過程是，不斷改變系數(shù)X300和X700的值使能耗最低。圖 45 最佳個體適應度隨進化代數(shù)的變化曲線由圖45的搜索曲線可見，NClonalg算法在前面幾十代中收斂速度明顯快于Clonalg和OptaiNet，表明NClonalg的初期搜索效果明顯，NClonalg在1020之間的搜索速度有所減慢，但搜索精度仍高于Clonalg和OptaiNet，在24代以后逐漸趨向平穩(wěn)，并逐漸收斂；而Clonalg的能耗曲線在最后幾十代中收斂緩慢，并漸漸表現(xiàn)出早熟的跡象；OptaiNet雖然在進化后期的尋優(yōu)精度界于NClonalg和Clonalg之間，但進化前期的速度落后于NClonalg和Clonalg。主要思維就是編寫一個以系數(shù)X300和X700為變量輸入以及能耗總值為輸出的函數(shù)，來代替上一章中的多峰測試函數(shù)。除此之外，人腦還是人類進化的最高產(chǎn)物，是人類智慧、思維和情感的物質(zhì)基礎(chǔ)，且該領(lǐng)域至今很少被人知曉。將該系統(tǒng)應用到某些機器上，完成一些復雜的活動，這些機器就可以被稱為智能機器。人工神經(jīng)網(wǎng)絡由大量簡單元件相互連接組成，是一個復雜的系統(tǒng)，能進行的復雜的邏輯運算和實現(xiàn)非線性關(guān)系。據(jù)各項研究表明，人工神經(jīng)網(wǎng)絡被應用到很多領(lǐng)域中，如圖像處理、信息處理、自動控制等，并取得顯著的成效。人腦一般有1000多個神經(jīng)元組成，通過神經(jīng)元簡單的“微觀”運動，構(gòu)成了人腦復雜的“宏觀”運動，進行信息處理。而且通過研究證明，任意的非線性函數(shù)都可以由一個多層神經(jīng)網(wǎng)絡來逼近。（4）自適應 神經(jīng)網(wǎng)絡可以進行學習和訓練，從而解決問題。神經(jīng)網(wǎng)絡不僅可用軟件來處理，而且還可以通過一些大的集成電路來處理。而學習需通過訓練網(wǎng)絡。神經(jīng)網(wǎng)絡的發(fā)展趨勢也是一片光明。未來的社會，是機器與智能結(jié)合的社會。人工智能專家將把神經(jīng)網(wǎng)絡理論應用到機器上，使機器越來越智能化，具有高效的信息處理能力。（3）神經(jīng)網(wǎng)絡芯片和生物芯片 神經(jīng)網(wǎng)絡可以作為軟硬件的結(jié)合。它是靠弧電子來進行傳播的，所以不怎么消耗能量。通過生物科學的一些特征特點，將其應用信息科學中，取得了顯著成果。 RBF神經(jīng)網(wǎng)絡的性質(zhì)及特點鮑威爾在1985年，提出了多變量插值（徑向基函數(shù)，RBF）法，1988年的徑向基函數(shù)，布魯姆黑德和Lowe第一的RBF神經(jīng)網(wǎng)絡的設計中使用，構(gòu)成一個徑向基函數(shù)神經(jīng)網(wǎng)絡，RBF神經(jīng)網(wǎng)絡。RBF網(wǎng)絡結(jié)構(gòu)有一個隱含層到輸出層的權(quán)之間的線性關(guān)系，訓練方法是快速，簡便，不存在局部最優(yōu)，這些優(yōu)勢RBF神經(jīng)網(wǎng)絡的應用奠定了良好的基礎(chǔ)。的RBF模糊神經(jīng)網(wǎng)絡的設計最大的優(yōu)點是RBF神經(jīng)網(wǎng)絡和模糊推理過程函數(shù)等價，等價的兩個不同的功能統(tǒng)一的構(gòu)造體系，使網(wǎng)絡參數(shù)和運營商有一個明確的物理意義。最重要的事情之一是確定徑向基中心。徑向基函數(shù)關(guān)于n維空間的一個中心點具有徑向?qū)ΨQ性，而且神經(jīng)元的輸入離該中心點越遠，神經(jīng)元的激活程度就越低，隱節(jié)點的這個特性常被稱為“局部特性”。顯然，越小，徑向基函數(shù)的寬度就越小，基函數(shù)就越具有選擇性。這種方法，從樣本輸入的數(shù)據(jù)中心，選擇，如正交最小二乘算法（正交最小二乘，母機），正則正交最小二乘算法（正規(guī)化正交最小二乘ROLS的，），進化優(yōu)化算法（進化正交至少算法歐空局），依此類推。 這些算法都有自己的優(yōu)點和缺點。下面主要介紹的是梯度訓練算法，在算法中，為樣本輸入，相應的樣本輸出（教師信號）為，網(wǎng)絡中第j個隱節(jié)點的激活函數(shù)。 用RBF神經(jīng)網(wǎng)絡逼近化工模型本文采用的是梯度訓練方法，使用matlab中的newrb()函數(shù)。GOAL為訓練精度，缺省值為0，MN為神經(jīng)元個數(shù)的最大值，DF為訓練過程的顯示頻率。用rbf神經(jīng)網(wǎng)絡逼近精餾塔模型。訓練精度也為0。從圖中可見，rbf神經(jīng)網(wǎng)絡很好地逼近了精餾塔模型，誤差在一定范圍內(nèi)（）。應用鄰域克隆選擇學習算法，運行10代結(jié)果如下表格52：表格5112345678910 最終確定X300、1從方案一和方案二的結(jié)果分析得出，方案一，雖然能得出正確的最優(yōu)解，但是運行速度過慢。 本章小結(jié)本章主要學習和了解神經(jīng)網(wǎng)絡的基礎(chǔ)和特點，主要掌握神經(jīng)網(wǎng)絡可以逼近非線性對象這一特點。用RBF神經(jīng)網(wǎng)絡逼近化工模型，并將其應用到分餾塔資源優(yōu)化中。6 總結(jié) 總結(jié)NClonalg在結(jié)合了生物免疫的克隆選擇和人工免疫網(wǎng)絡算法的基礎(chǔ)上，采用了Agent的思想，通過定義網(wǎng)格化的鄰域操作環(huán)境，使每個個體完成全局局部的搜索操作。但分餾系統(tǒng)進行資源優(yōu)化時，由于模型運行起來速度較慢，所以需要很長的時間進行資源優(yōu)化。 展望本課題將鄰域克隆選擇學習算法應用到分餾塔資源優(yōu)化中，達到了一定的效果。如RBF神經(jīng)網(wǎng)絡的一些學習算法以及特性，從而可能導致RBF神經(jīng)網(wǎng)絡沒有更好地逼近化工模型。所以資源利用必須得到優(yōu)化，各種各樣的智能優(yōu)化算法應該應用到生產(chǎn)領(lǐng)域中去。分析化學研究報告，2001，29（7）：768~770[13] 劉可勝，張軍，曹先彬，王煦法。北京：科學出版社，1994[15] 學科交叉和技術(shù)應用專門小組（美）。計算機工程與應用，2000，（5）：30~32[14] 國家自然科學基金委員會。202212[8] Deaton R,Garzon M,Rose J A,Murphy R C,et. DNA Based Artificial Immune System for SelfNonself of the 1997 IEEE International Conference on Systems,Orlando, Florida,[9] De Castro L N，Zuben F J V Learning and Optimization using the clonal selection Transactions on Evolutionary Computation，2002，6(1):239一251[10] 戚玉濤，焦李成，2008，36(8):1552一1558[11] Coello Coello CA， multiobjeetive optimization Problems using an artificial immune Programming and Evolvable Machines，2005，6(2):163一190[12] 邵學廣，孫莉。希望在這基礎(chǔ)上，更好的智能優(yōu)化算法與神經(jīng)網(wǎng)絡結(jié)合，應用到化工領(lǐng)域中，進行資源優(yōu)化。還采用了神經(jīng)網(wǎng)絡這一想法，用神經(jīng)網(wǎng)絡逼近化工模型，與神經(jīng)網(wǎng)絡配合，進行資源優(yōu)化。因神經(jīng)網(wǎng)絡優(yōu)化運行起來很快，所以節(jié)省了很多時間。多峰測試函數(shù)較好地表明了NClonalg的性能，它不僅克服了Clonalg的早熟問題和解決了OptaiNet收斂速度慢現(xiàn)象，而且有效地實現(xiàn)全局最優(yōu)搜索。即先用RBF神經(jīng)網(wǎng)絡進行資源優(yōu)化，優(yōu)化到一定程度后，再用化工模型進行資源優(yōu)化。對RBF神經(jīng)網(wǎng)絡進行學習，了解RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)和RBF神經(jīng)網(wǎng)絡的學習方法。根據(jù)兩方案的優(yōu)缺點，本文設計一策略：先用rbf神經(jīng)網(wǎng)絡代替精餾塔模型尋優(yōu)，但尋優(yōu)到一定程度，根據(jù)尋優(yōu)的系數(shù)，再對精餾塔進一步尋優(yōu)，從而得到最終的正確的系數(shù)。方案1只對精餾塔模型尋優(yōu)，不用rbf神經(jīng)網(wǎng)絡代替精餾塔模型。程序中還涉及到歸一化操作。系數(shù)X300和X700就是newrb()函數(shù)中的P，即輸入向量。格式為Y=sim(net,P)。newrb()函數(shù)：能更有效進行網(wǎng)絡設計，徑向基函數(shù)網(wǎng)絡逼近函數(shù)式，newrb()函數(shù)可以自動增加網(wǎng)絡的陰寒層神經(jīng)元數(shù)目，直到均方差滿足精度或者神經(jīng)元數(shù)目達到最大為止。下面給出一種帶遺忘因子的單輸出RBF神經(jīng)網(wǎng)絡學習算法，此時神經(jīng)網(wǎng)絡學習的目標函數(shù)為 （55）式中，為遺忘因子。因為隱藏節(jié)點的RBF神經(jīng)網(wǎng)絡的泛化能力有很大的影響，因此，找到一種合理的方式集群RBF神經(jīng)網(wǎng)絡的聚類方法的設計需要解決的問題。（1）算法更容易實現(xiàn)的，可以學習正確的價值觀，以確定隱層節(jié)點的數(shù)目，并確