【正文】 .................................... 23 鄰域 克隆選擇學(xué)習(xí)算法的應(yīng)用 ................................................................................. 24 收斂性驗(yàn)證 ....................................................................................................... 24 算法的性能分析和比較 ...................................................................................... 25 本章小結(jié) .................................................................................................................. 26 5 神經(jīng)網(wǎng)絡(luò) 鄰域克隆選擇學(xué)習(xí)算法及應(yīng)用 ................................................................................. 27 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) ........................................................................................................... 27 神經(jīng)網(wǎng)絡(luò)的產(chǎn)生及意義 ...................................................................................... 27 神經(jīng)網(wǎng)絡(luò)的特征 ................................................................................................ 27 神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢(shì) ......................................................................................... 28 用神經(jīng)網(wǎng)絡(luò)逼近化工模型 ......................................................................................... 29 RBF 神經(jīng)網(wǎng)絡(luò)的性質(zhì)及特點(diǎn) .............................................................................. 29 基于鄰域 克隆選擇學(xué)習(xí)算法的分餾系統(tǒng)資源優(yōu)化 VI RBF 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法 .................................................................................. 31 用 RBF 神經(jīng)網(wǎng)絡(luò)逼近化工模型 .......................................................................... 32 分餾系統(tǒng)資源優(yōu)化中的應(yīng)用 ...................................................................................... 33 本章小結(jié) .................................................................................................................. 34 6 總結(jié) ....................................................................................................................................... 35 總結(jié) ......................................................................................................................... 35 展望 ......................................................................................................................... 35 參考文獻(xiàn) ....................................................................................................................................... 36 致謝 .............................................................................................................................................. 37 附錄 .............................................................................................................................................. 38 基于鄰域 克隆選擇學(xué)習(xí)算法的分餾系統(tǒng)資源優(yōu)化 1 1 緒論 選題的意義和背景 化工過程往往涉及到尋優(yōu)問題，但因?yàn)槠鋵?yōu)的模型的解析表達(dá)是不是一個(gè)線性的、簡(jiǎn)單的數(shù)學(xué)表達(dá)式，所以傳統(tǒng)的優(yōu)化策略往往不能解決問題。 本文在結(jié)合（ Clonalg）和（ OptaiNet）的基礎(chǔ)上，并采用 Agent 的思想，提出了一種 鄰域 克隆選擇學(xué)習(xí)算法（ N Clonalg）， 與克隆選擇算法 (Clonalg )和人工免疫網(wǎng)絡(luò)算法 （ OptaiNet） 相比，該算法具有收斂速度快，全局搜索性能好，更適合于工程優(yōu)化。人類從生物的角度出發(fā)，將生物中一些特性，應(yīng)用到信息處理中。 之后 Farmer[5]、 Perelson[6]、 Bersini、 Varela 等學(xué)者 分別在免疫算法這一領(lǐng)域發(fā)表相關(guān)論文，并作出突出貢獻(xiàn)。同年， Kim 和 Bentley 提出了動(dòng)態(tài)克隆選擇算法。 相繼以來，王磊又提出了一種新的算法，協(xié)同進(jìn)化免疫算法。 基于鄰域 克隆選擇學(xué)習(xí)算法的分餾系統(tǒng)資源優(yōu)化 3 （ 5） 數(shù)據(jù)處理 信號(hào)數(shù)據(jù)處理方面， 邵學(xué)廣 應(yīng)用了免疫機(jī)理的特點(diǎn)，實(shí)現(xiàn)了混合色譜信號(hào)的解析 [12]。將該算法應(yīng)用到機(jī)器人身上，機(jī)器人能完成一些特點(diǎn)的復(fù)雜活動(dòng)。 研究目標(biāo)：根據(jù)克隆選擇算法和人工免疫網(wǎng)絡(luò)算法的優(yōu)缺點(diǎn)，結(jié)合智能體這一概念，提出一種新的算法 —— 鄰域 克隆選擇學(xué)習(xí)算法（ N Clonalg）。免疫分“自體”和“非自體”。很多學(xué)者和科學(xué)家致力于研究這方面。其次重要的單核吞噬細(xì)胞系。 （ 2）免疫應(yīng)答 免疫反應(yīng)的免疫細(xì)胞識(shí)別抗原分子，活化，分化和生產(chǎn)的整個(gè)過程中的免疫效果， 免疫反應(yīng)通常是由抗原引發(fā)的各種免疫細(xì)胞參與了一系列的反應(yīng)。其中，人體自身的組成并沒有發(fā)生免疫反應(yīng)是自然的容忍現(xiàn)象，并自稱容忍 。 克隆選擇算法 在工程實(shí)踐中，許多問題都可以抽象為多模態(tài)函數(shù)優(yōu)化的目標(biāo)函數(shù)通常需要不僅能確定目標(biāo)函數(shù)基于鄰域 克隆選擇學(xué)習(xí)算法的分餾系統(tǒng)資源優(yōu)化 7 的全局最優(yōu)解，并要求搜索出所有的局部最優(yōu)解，如復(fù) 雜性，系統(tǒng)參數(shù)及結(jié)構(gòu)鑒定。在克隆過程中，該抗體進(jìn)行高頻率的變異性和強(qiáng)大的選擇壓力，在選定的抗體和抗原具有高親和力?？寺∵x擇類似達(dá)爾文變異和自然選擇過程：克隆競(jìng)爭(zhēng)性結(jié)合的病原體。 寧波大學(xué)信息與科學(xué)工程學(xué)院本科畢業(yè)設(shè)計(jì)（ 論文） ② 在細(xì)胞分裂成若干子 B 細(xì)胞，被稱為克隆擴(kuò)增。這些 B 細(xì)胞分化成記憶細(xì)胞或漿細(xì)胞產(chǎn)生抗體與受體的形狀相同的形狀，以消除抗原，適應(yīng)性免疫反應(yīng)的發(fā)生。一般的克隆選擇操作是與親和度成正比的。 重復(fù) step2step7,直到結(jié)束條件滿足。雖然常用的數(shù)值優(yōu)化方法，如梯度下降法，混沌優(yōu)化方法搜索和收斂速度快，精度高，但在解決全局最優(yōu)解常用的優(yōu)勢(shì)，這是很難找到幾個(gè)局部最優(yōu)解。迪米斯認(rèn)為人工免疫系統(tǒng)是一個(gè) ARB 的固定數(shù)量組成。初始化各個(gè)參數(shù)值 :網(wǎng)絡(luò)抑制閾值 σs，初始群體個(gè)數(shù) N，克隆增殖數(shù)目 Nc，隨機(jī)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 。否則轉(zhuǎn)至 。這個(gè)過程中知道，平均抗體與前一代或不那么遠(yuǎn)，網(wǎng)絡(luò)的穩(wěn)定網(wǎng)絡(luò)的平均健身健身。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(chǎng)合是不適用的。十九世紀(jì)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(shí)），期望（能力）和意圖（達(dá)到的目標(biāo)）。 （ 2）反應(yīng)性 上面介紹智能體的時(shí)候已經(jīng)提到智能體能感知環(huán)境，并對(duì)環(huán)境作出反應(yīng)。適者生存，不適者淘汰。 122 , Ls 2. . .. . .. . .. . .Ls 1, 1 Ls 1, 2. . .Ls 1, Ls 21 , 1 1 , 2. . .1 , Ls 22 ,2 ,. . . 圖 31 Agent 網(wǎng)絡(luò) 定義 1 ： 將 位 置 （ i,j ）的 Agent 表示成 jiL, ； i,j=1,2,…, sizeL , jiL, 的 鄰 域 為jiNbs, , jiNbs, ={ 11,jiL , 12,jiL , 21,jiL , 22,jiL },其中 ,1 , 1 , 12,1 , 1 , 12,1 , 1 , 1,1 , 1 , 1 11????????????????????????????jLjjjiLiiijLjjjiLiiis iz e s iz e s iz e s iz e (31) 定義 2： Agent 的能量定義為優(yōu)化模型的目標(biāo)函數(shù)值，則 Agent jiL, 的能量 表示為： 寧波大學(xué)信息與科學(xué)工程學(xué)院本科畢業(yè)設(shè)計(jì)（ 論文） )()( , jiji Lyva lu eLen erg y ? (32) 這里 ),( jLiyvalue 為 Agent jiL, 的目標(biāo)函數(shù)值。這一特性也是其一個(gè)主要的優(yōu)勢(shì)。鄰域克隆選擇算子可表達(dá)為： )))((( m a x ,m a x , C mncmsC mn LTTTL ? (33) 這里， C ijLmax, 為鄰域 jiNbs, 中競(jìng)爭(zhēng)力最大的個(gè)體， cT 為克隆操作： C ijC ij LL max,max, 39。 (2)鄰域競(jìng)爭(zhēng)算子： 鄰域競(jìng)爭(zhēng)代替了 OptaiNet的免疫抑制及隨機(jī)抗體引入，可以在維持個(gè)體多樣性的基礎(chǔ)上加快進(jìn)化速度。 ,2,139。AsL (35) 其中， ),( ,39。 qnmnmnmnm eeeN e w ?? 的確定為式 (36) ),2,1l s e ),1,1()1,1( ,)1,1( ,39。為了降低計(jì)算代價(jià)，個(gè)體自學(xué)習(xí)算子只作用在當(dāng)代中最優(yōu)的個(gè)體上，每個(gè)個(gè)體的進(jìn)化只利用其鄰域或自身的信息，因此整個(gè)算法沒有全局性控制，從而完全是異步的。 (6) 將 )(3TL 中競(jìng)爭(zhēng)力最大的個(gè)體放入記憶庫，判斷是否滿足停止準(zhǔn)則，如滿足，則停止，否則 1??TT ，轉(zhuǎn) (2)； 記憶庫中最好個(gè)體即為所得解。103 105 177。0 0 177。首先，變異概率 mp 的作用在于局部收斂時(shí)，可以通過變異去搜索其他空間，進(jìn)行全局尋優(yōu)。在章節(jié)中，詳細(xì)闡述了該算法中所涉及的算子，從理論上分析了這些算子的作用。本問中的分餾系統(tǒng)優(yōu)化就是其中一個(gè)典型例子，就是為了高效地利用資源，使資源優(yōu)化最大。 iiop c? , i 1,2,3? ； 這里 =iQ, i 1,2,3 分別 為 1 、 2和 3塔的能耗；700/)04700(7 0 0 FFFx ?? 、 3 0 0/)023 0 0(300 FFFx ?? 分別 為 700與 300流股 進(jìn) 1塔的質(zhì)量流量分配 系數(shù) 比，其中 F700、 F300 分別為 700與 300的總進(jìn)料 ； F04 是 700進(jìn) 2塔的流股；