【正文】 。而自然選擇其實(shí)就是一個(gè)與局部環(huán)境有關(guān)的全局現(xiàn)象。 一個(gè) agent 可以是一個(gè)能感知并作用于環(huán)境的一個(gè)實(shí)體，很多個(gè)這樣的實(shí)體就可以構(gòu)成 一 個(gè)多 Agent 系統(tǒng) [17]，其特性主要表現(xiàn)為：（ 1）每個(gè) Agent 能感知局部環(huán)境的能力；（ 2）沒(méi)有系統(tǒng)的全局控制；（ 3）數(shù)據(jù)是分散的；（ 4）計(jì)算是異步的。 （ 3）社會(huì)性 正像人類(lèi)群體一樣，智能體也具有社會(huì)性。 智能體作為一個(gè)實(shí)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。它是用來(lái)認(rèn)識(shí)和模擬人類(lèi)智能行為的一個(gè)實(shí)體，可以是一個(gè)軟件也可以是一個(gè)硬件。 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(gè)體趨于最優(yōu)。第二步：每個(gè)網(wǎng)絡(luò)防斷選擇局部最優(yōu)解克隆選擇。 :對(duì)每一克隆群體進(jìn)行適應(yīng)度比例超變異，但不對(duì)父代抗體進(jìn)行超變異操作，超變異操作按照式（ 21）進(jìn)行 ?？ㄋ固亓_和的迪米斯作為一個(gè)多峰優(yōu)化問(wèn)題 的聚類(lèi)問(wèn)題，并根據(jù)這種思維導(dǎo)向的多峰函數(shù)優(yōu)化，人工免疫網(wǎng)絡(luò)算法稱(chēng)為選擇 aiNet 算法。二是更多的免疫網(wǎng)絡(luò)模型的人工免疫網(wǎng)絡(luò)算法領(lǐng)域有影響力的資源有限的迪米斯人工免疫系統(tǒng)（資源有限人工免疫系統(tǒng)， RLAIS）， CLONALG卡斯特羅的 aiNet。第三，進(jìn)化算法更強(qiáng)調(diào)個(gè)人競(jìng)爭(zhēng)，不太關(guān)心的物種之間的合作，而克隆選擇算法，人工免疫系統(tǒng)算法是不同的，唯一的記憶細(xì)胞，在細(xì)胞水平上，由于抗體庫(kù)之間的相互合作，疫苗和免疫優(yōu)勢(shì)存在 。親和度成熟操作是指對(duì)新產(chǎn)生的抗體集 C 進(jìn)行超變異操作，變異率與抗體的親和度成反比。用于字符識(shí)別，多模態(tài)函數(shù)優(yōu)化和旅行商問(wèn)題的解決，仿真結(jié)果表明，利用克隆選擇方法，以保持在人口格局的多重最優(yōu)解的算法。一些低親和力的子 B細(xì)胞刪除其受體并產(chǎn)生一個(gè)新的受體，稱(chēng)為受體變異。這些含有抗原特異性 PCR 受體細(xì)胞分化成漿細(xì)胞和記憶細(xì)胞。此功能允許 CLONALG 算法很快被廣泛使用的優(yōu)化問(wèn)題，特別適合解決多模態(tài)優(yōu)化問(wèn)題。但該算法仍具有明顯的缺陷，小生境遺傳算法（免疫遺傳算法）不能搜索的多模態(tài)函數(shù)的所有局部極小，運(yùn)行慢，搜索結(jié)果，精度不高缺乏銜接性能。 ③ 誘導(dǎo)和維護(hù)寬容，需要忍受原來(lái)的繼續(xù)存在。免疫反應(yīng)的需要，主要分布在淋巴結(jié)，裝載與外周免疫器官 脾的地方。 （ 1） 免疫識(shí)別 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） 在機(jī)體免疫功能和免疫系統(tǒng)識(shí)別過(guò)程中是重要的前提。具體如圖 21 所示： 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 5 免 疫 細(xì) 胞免 疫 系 統(tǒng)免 疫 分 子免 疫 器 官干 細(xì) 胞 系淋 巴 細(xì) 胞 系T 細(xì) 胞 抗 原 體其 他 細(xì) 胞 系單 核 吞 噬 細(xì) 胞 系B 細(xì) 胞 抗 原 體抗 體 、 補(bǔ) 體 分 子中 樞 免 疫 器 官外 周 免 疫 器 官 圖 21 免疫系統(tǒng)組 成 免疫器官主要由兩方面組成：中樞免疫器官和外圍免疫器官。在古代，我國(guó)人們已經(jīng)懂得用人 痘來(lái)預(yù)防天花。免疫反應(yīng)是指機(jī)體接觸到異物后產(chǎn)生的生理反應(yīng)，用來(lái)保護(hù)自身的安全。學(xué)習(xí)和掌握這兩種算法的原理以及如何實(shí)現(xiàn)算法的編寫(xiě)，通過(guò)算法的運(yùn)行，了解這兩種算法的優(yōu)缺點(diǎn)。越來(lái)越多的機(jī)器人在被生產(chǎn)，且服務(wù)于人類(lèi)。與傳統(tǒng)的模擬退火算法相比，免疫算法雖然也許不能得到全局的最優(yōu)視差圖，但其匹配速度快，高效。 應(yīng)用到的領(lǐng)域方面可以分為幾下方面： （ 1） 智能控制 在實(shí)際工業(yè)被控對(duì)象中，因?yàn)閷?duì)象具有非線性、不確定性和時(shí)變性的復(fù)雜特點(diǎn)。 二十世紀(jì)年代末，人工免疫系統(tǒng)成為人工智能的研究熱點(diǎn)。 后來(lái)，他又對(duì)該原理進(jìn)行完善。免疫反應(yīng)是有免疫器官 及一些特殊的基因產(chǎn)生的一種特異的生理反應(yīng)。因此，尋找一種適合復(fù)雜工程問(wèn) 題尋優(yōu)的高效全局優(yōu)化算法 是 極其必要 的 。 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 IV Optimization of distillation resources based on neighborhood clonal selection learning algorithm Abstract 【 ABSTRACT】 Faced with the problem of resources optimization in chemical fractionation system, in this paper, we propose a global optimization algorithm(NClonalg) of neighbourhood clonal selection study, which is bined with biological immune clonal selection and artificial immune algorithm based on the work and adapts the idea of Agent. By defining the grid operating environment of the neighbourhood, so NClonalg make each individual plete search operations from local to global. Unlike other artificial immune algorithm, NClonalg has the main search operators, such as the neighbourhood clonal selection, neighbourhood petition and selflearning global and local search anic, NClonalg overes the phenonmena of Clonalg precocious and OptaiNet slow convergence better and achieves global optimal search effectively in the individual space, which is proved in Multipeak function test. Indeed, fractional system resource optimization examples also show that it has better search performance of the optimal solution, and can better achieve the solution in the optimization problem. However,there is a phenomenon that resource optimization model is running it,bined with the characteristics of neural works,using RBF work to approach the chemical the optimization is close to a certain extent,then calling the chenical model for resource this opinion,the optimization of the fractionation system resources is better,more efficient and effective. 【 KEYWORDS】 Clonal selection learning。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） I 題目： （中文） 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 （英文） Optimization of distillation resources based on neighborhood clonal selection learning algorithm 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 II 誠(chéng) 信 承 諾 我謹(jǐn)在此承諾：本人所寫(xiě)的畢業(yè)論文《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》均系本人獨(dú)立完成，沒(méi)有抄襲行為，凡涉及其他作者的觀點(diǎn)和材料，均作了注釋?zhuān)粲胁粚?shí)，后果由本人承擔(dān)。 【 關(guān)鍵詞 】 克 隆選擇學(xué)習(xí) ； 鄰域 克隆選擇學(xué)習(xí)算法 ；多模態(tài)優(yōu)化；分餾裝置； RBF 神經(jīng)網(wǎng)絡(luò)。然而在實(shí)際應(yīng)用中，這些算法還存在諸如 早熟、難于確定控制參數(shù)、收斂速度慢等許多弊病。 免疫算法的發(fā)展歷史和研究現(xiàn)狀 免疫算法是一種多峰值搜索算法，它是根據(jù)生物免疫系統(tǒng)對(duì)病菌的多樣性識(shí)別能力這一特性研究出來(lái)的。 十九世紀(jì)五六十年代，澳大利亞學(xué)者 Burent 提出克隆選擇原理，并因此獲得諾貝爾獎(jiǎng)。人工免疫系統(tǒng)領(lǐng)域是一個(gè)嶄新的領(lǐng)域，用來(lái)解決工程上的一些問(wèn)題。尤其在計(jì)算機(jī)科學(xué)領(lǐng)域，應(yīng)用到免疫算法非常多，例如來(lái)解決優(yōu)化計(jì)算、 TSP 問(wèn)題、數(shù)據(jù)分析等。人過(guò)通過(guò)應(yīng)用免疫算法來(lái)得到最佳視差圖。 （ 6） 機(jī)器人 機(jī)器人這一名詞，為我們所熟悉。針對(duì)眾多的免疫算法，本課題挑選了克隆選擇算法和人工免疫網(wǎng)絡(luò)算法這兩種算法，并對(duì)這兩種算法進(jìn)行深入地學(xué)習(xí)。在國(guó)外，免疫（ immune）是從拉丁文“ immunis”出來(lái)的，也是免除疾病的意思。 免疫學(xué)是一門(mén)年輕的學(xué)科，才處于起步階段，但是用免疫學(xué)的方法來(lái)預(yù)防病毒可以追溯到 300 多年前。它有三方面組成：免疫器官，免疫細(xì)胞和免疫分子。其主要內(nèi)容包括：免疫識(shí)別、免疫應(yīng)答、免疫耐受、免疫記憶。另一方面是負(fù)面的免疫反應(yīng)，在正常情況下，在人體的自身成分的寬容狀態(tài)。 ② 不成熟比成熟淋巴細(xì)胞的細(xì) 胞耐受誘導(dǎo)更容易 。生活后的小生境技術(shù)的引進(jìn)，免疫遺傳算法，遺傳算法，該算法是有效的多模態(tài)函數(shù)的局部峰搜索的數(shù)量。 CLONALG 算法能夠產(chǎn)生高親和力的抗體，并選擇改進(jìn)的后代，這意味著， CLONALG 貪婪的搜索功能：搜索周?chē)目臻g，一個(gè)單一的抗體是搜索空間，是一個(gè)更廣泛的搜索，可 以實(shí)現(xiàn)局部?jī)?yōu)化和新生兒抗體。小的 “休眠 ”在骨髓中的 B 細(xì)胞含有不同類(lèi)型的抗體。 ③ 在較高的子 B 細(xì)胞克隆擴(kuò)增，產(chǎn)生親和力同時(shí)，也有 低親和力的子 B 細(xì)胞。該算法包括一套抗原， B 細(xì)胞 /抗體組，一組存儲(chǔ)單元的高變異性的 B 細(xì)胞克隆增殖，最佳模式選擇內(nèi)存的基本操作。 Step4：克隆群 C 經(jīng)過(guò)親和度成熟操作，生成成熟的抗體集 C39。第二，具體的算法，進(jìn)化算法的全局搜索的重點(diǎn)，而忽略了本地搜索，但克隆選擇算法是兩者的結(jié)合，克隆操作，其中有一個(gè)更好的人口多樣性的作用。 人工免疫網(wǎng)絡(luò)是一種新的基于人工免疫系統(tǒng)的智能算法。 aiNet 被稱(chēng)為網(wǎng)絡(luò)演進(jìn)進(jìn)化策略可以用于控制網(wǎng)絡(luò)的動(dòng)態(tài)和塑料。 對(duì)每一個(gè)抗體進(jìn)行克隆復(fù)制 Nc 份，并與父代抗體組成一個(gè)克隆群體，形成規(guī)模大小為NNc 抗體網(wǎng)絡(luò) 。 optaiNet 算法分析 選擇的 aiNet，第一步首先介紹了在域的目標(biāo)函數(shù)或可行區(qū)域一定數(shù)量的抗體（實(shí)值向量），人工免疫網(wǎng)絡(luò)的組成。在內(nèi)存抗體年底的算法是局部最優(yōu)解的搜索。 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） 3 鄰域 克隆選擇學(xué)習(xí)算法 智能體（ agent）這一全新概念，第一次被提出是在《智力社會(huì)》一文中。另外很重要的 一點(diǎn)，agent 的自治特性是很有必要的。在一些特定的情況下，智能體為了實(shí)現(xiàn)自身的特定目標(biāo)，主動(dòng)地對(duì)環(huán)境進(jìn)行感知和反應(yīng)。 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 13 鄰域 克隆選擇學(xué)習(xí)算法的幾種算子 鄰域 克隆選擇學(xué)習(xí)算法 (NClonalg)在 結(jié)合 克隆選擇和人工免疫網(wǎng)絡(luò)算法 的基礎(chǔ)上，采用了 Agent的思想。但在自然中，基本上不存在全局選擇，只有自然選擇。 鄰域 克隆選擇學(xué)習(xí)算法的 核心思想是將個(gè)體固定在網(wǎng)格上， 每個(gè)個(gè)體 通過(guò) 與鄰域展開(kāi)競(jìng)爭(zhēng)或合作 來(lái)增加自身能量 ， 當(dāng)然 也可通過(guò)自學(xué)習(xí)來(lái)增加自身的能量。39。 (3)自學(xué)習(xí)算子：為一個(gè)小規(guī)模的局部搜索操作。39。39。更新 sBest0， t =0。 為每個(gè)抗體在 [0,1]內(nèi)隨機(jī)設(shè)置初始自信度并設(shè)置自信度閾值 ? ， 開(kāi)辟規(guī)模為 MN 的記憶庫(kù) ， 設(shè)置當(dāng)前的迭代次數(shù)0?T ； 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) 設(shè)這 時(shí) 的抗體網(wǎng)格為 )(0TL ，計(jì)算 )(0TL 中每個(gè)個(gè)體的競(jìng)爭(zhēng)力 )( mnAC ； (3) 執(zhí)行鄰域克隆選擇操作 。 測(cè)試過(guò)程中， Clonalg 算法的種群 N 設(shè)為 100，克隆數(shù) C 為 5，變異率 mp 為 ； OptaiNet 算法的種群 N 設(shè)為 20，克隆數(shù) C 為 5，變異率 mp 為 ，抑制閾值 ?R? ； N Clonalg 的參數(shù)設(shè)置為：規(guī)模選擇為 21 ss LL ? 為 55? ， 克隆數(shù) C 為 5，變異率mp 為 。105 106 177。0 0 177。同理，交叉概率 cp 也是一樣。本章節(jié)中用多峰函數(shù)對(duì)算法進(jìn)行收斂性驗(yàn)證，并得到很好的效果。其成分分別從分餾塔 分餾塔 分餾塔 3 中流出。從圖中可以看出他們呈一個(gè)非線性關(guān)