【文章內容簡介】 應度最大的抗體組成一個新抗體群，并計算改抗體群的平均適應度。 :如果該抗體群的平均適應度與前一代抗體群的平均適應度差別不大()，則繼續(xù)。否則轉至 。Step3:計算抗體群網(wǎng)絡中每個抗體之間的親和度，抑制除具有最大適應度的抗體之外的所有親和度低于閾值σs的抗體，網(wǎng)絡抑制后，計算網(wǎng)絡中抗體的數(shù)目，即使一記憶抗體的數(shù)目，并將記憶抗體保存。Step4:引入原抗體群數(shù)目d%的隨機產生抗體，并與記憶抗體組成新的抗體群，返回Step2。 optaiNet算法分析選擇的aiNet，第一步首先介紹了在域的目標函數(shù)或可行區(qū)域一定數(shù)量的抗體（實值向量），人工免疫網(wǎng)絡的組成。第二步：每個網(wǎng)絡防斷選擇局部最優(yōu)解克隆選擇。具體做法是：第一克隆增殖的抗體經營的若干副本。變異算子變異，每個克隆，并保留不是變異抗體的克隆群體。然后選擇最高的克隆，如果克隆健身高，原比原抗體的抗體，而不是適應。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。第三步，第四步，當網(wǎng)絡穩(wěn)定，抗體陰性選擇小于默認親和力的抗體相互作用網(wǎng)絡來抑制抑制閾值，其余抗體和記 保留的記憶細胞。最后，引入一個新的抗體隨機，重復上述過程，直到你達到收斂條件至今。在內存抗體年底的算法是局部最優(yōu)解的搜索。 本章小結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)。正是這一特性，人們可以借助于CLONALG算法來解決多模態(tài)優(yōu)化問題。但是因為克隆選擇算法是追尋局部最優(yōu)的，所以他會出現(xiàn)早熟現(xiàn)象。即他的優(yōu)化能力不是很強。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。所以總的來說，克隆選擇算法和optaiNet算法各有自己的優(yōu)缺點。本章主要是學習這兩種算法，為下文提出的新的改進的算法鄰域克隆選擇算法做一個理論鋪墊，以便更好地研究和驗證新算法。3 鄰域克隆選擇學習算法智能體（agent）這一全新概念，第一次被提出是在《智力社會》一文中。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。那怎樣來定義Agent這一概念，著名科學家Hewitt認為這是很困難，就像以前人們定義智能是什么一樣。當今，普遍學者和科學家認為，智能體可以被看做一個計算實體，生存于某一特定環(huán)境，且有生命周期。這種實體能感知周圍環(huán)境，通過自身的生存運行來影響自身和周邊環(huán)境。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）。該模型中所有智能體的運轉都是由這三種狀態(tài)不斷變化形成的，通過環(huán)境和周邊智能體與自身的關系。Agent不能被翻譯成“代理”，而應被描述成“智能體”。另外很重要的一點，agent的自治特性是很有必要的。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。智能體，一個獨立的智能體實體，明顯具有智能特性，其特性包括以下幾方面：（1）自主性作為一個智能體，自主性是其一個非常重要的特性。自主性，就是一個智能體擁有自己的思維，不借助他人的幫組，可以自發(fā)地控制自身的行為和計算資源。對環(huán)境的變化，自身通過感知并作出一定的反應，自發(fā)地運行自身。（2）反應性上面介紹智能體的時候已經提到智能體能感知環(huán)境，并對環(huán)境作出反應。但除了這方面的反應，智能體還可以因為目的的不同而作出反應，影響自身和環(huán)境。所以，總的來說，智能體的反應性可以分為主動和被動。在一些特定的情況下，智能體為了實現(xiàn)自身的特定目標，主動地對環(huán)境進行感知和反應。（3）社會性正像人類群體一樣，智能體也具有社會性。智能體往往不是孤立存在的，他們或多或少組成一個社會性的群體。在這一群體中，就像在人類社會中一樣，需要像人類一樣，學會競爭和協(xié)作，通過自身努力，使自身能在這一群體存活下來。（4）進化性就像上面的社會性一樣，智能體同樣像人類一樣具有進化性。適者生存，不適者淘汰。這就是一直以來的生存發(fā)著。智能體只有通過感知環(huán)境，不斷學習，進化自己，才能在群體中存活下來。 鄰域克隆選擇學習算法的幾種算子鄰域克隆選擇學習算法(NClonalg)在結合克隆選擇和人工免疫網(wǎng)絡算法的基礎上，采用了Agent的思想。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。 定義在鄰域克隆選擇學習算法中，一個Agent表示表示目標函數(shù)的解。所有Agent放在一個規(guī)模為的網(wǎng)格L上，每個Agent占一個格點位置且不能移動。Agent的網(wǎng)絡如圖31，圓圈代表一個Agent，圖中的數(shù)字代表該Agent的位置，有連線的兩個Agent才能發(fā)生作用。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。 傳統(tǒng)遺傳算法，往往是通過適應度的角度從整體種群中來選出那些能產生后代的個體，而這往往需要從整個群體出發(fā)。 他是一個全局適應度分布，需要全局選擇。但在自然中，基本上不存在全局選擇，只有自然選擇。而自然選擇其實就是一個與局部環(huán)境有關的全局現(xiàn)象。其顯著的現(xiàn)象表示，就是自然選擇中的進化。每個智能體在智能體網(wǎng)絡中，為了生存需要獲得更多的資源，他們必須與網(wǎng)絡中的其他智能體進行競爭或者合作。因為每個智能體的反應都是局部現(xiàn)象，至于周邊有關，不需要全局的選擇和確定全局的適應度分布。這一特性也是其一個主要的優(yōu)勢。不斷與周邊環(huán)境進行信息互動，其實慢慢地擴散到全局，最終是一個全局的效果。領域—克隆選擇學習算法利用的就是智能體這一特性。鄰域克隆選擇學習算法的核心思想是將個體固定在網(wǎng)格上，每個個體通過與鄰域展開競爭或合作來增加自身能量，當然也可通過自學習來增加自身的能量。 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。鄰域克隆選擇和鄰域競爭算子利用鄰域的信息實現(xiàn)Agent間的競爭和合作，鄰域自學習算子利用個體自身的知識來增加能量。設進化算子作用在個體上，為鄰域內能量最大的個體。(1)鄰域克隆選擇算子：選擇及其鄰域中競爭力最大的個體進行克隆，對克隆后的個體按變異率進行變異，選擇變異后競爭力最大的替代原個體，并生存在網(wǎng)格上，直到作用于所有網(wǎng)格。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：。通過鄰域克隆選擇能提高個體競爭力。(2)鄰域競爭算子：鄰域競爭代替了OptaiNet的免疫抑制及隨機抗體引入，可以在維持個體多樣性的基礎上加快進化速度。網(wǎng)格經過鄰域克隆選擇后，若新個體不低于的競爭力，則可繼續(xù)生存保留在網(wǎng)格上；否則將淘汰死亡，空出的格點將被新個體占據(jù)。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)。(3)自學習算子：為一個小規(guī)模的局部搜索操作。區(qū)別是在于他作用于當代最優(yōu)個體的搜索范圍內。用表示最大代數(shù)，表示相對搜索半徑，為預先設定的參數(shù)，表示Agent的競爭力，sBestt 和sCBestt分別表示到第t代為止和第t代中產生的競爭力最大的Agent。該算子包括以下步驟：a) 根據(jù)式(35)產生()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。更新sBest0，=0。b) 對Agent網(wǎng)格上的每個Agent執(zhí)行鄰域競爭算子，得到；c) 對上的每個Agent，如，則執(zhí)行變異算子，最終得到； d) 從中找出，如果，則令，否則，令。e) 如果，則令，并轉步驟 b)；否則轉步驟 f)；f) 令。自學習操作后的抗體網(wǎng)絡為。 算法描述 鄰域克隆選擇學習算法是在每個智能體個體上運行鄰域克隆選擇、競爭算子，從而使競爭力較低和沒有生存價值的個體將被淘汰，競爭力較高的個體將存活下來。為了降低計算代價，個體自學習算子只作用在當代中最優(yōu)的個體上，每個個體的進化只利用其鄰域或自身的信息，因此整個算法沒有全局性控制，從而完全是異步的。算法的操作步驟如下： (1) 初始化操作。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。為每個抗體在[0,1]內隨機設置初始自信度并設置自信度閾值，開辟規(guī)模為的記憶庫，設置當前的迭代次數(shù)；(2) 設這時的抗體網(wǎng)格為，計算中每個個體的競爭力；(3) 執(zhí)行鄰域克隆選擇操作。執(zhí)行鄰域克隆選擇算子可以增加網(wǎng)格上個體的競爭力，其抗體網(wǎng)絡為；(4) 進行鄰域競爭操作。鄰域競爭后的抗體網(wǎng)絡為。 (5) 進行自學習操作。自學習操作后的抗體網(wǎng)絡為。(6) 將中競爭力最大的個體放入記憶庫，判斷是否滿足停止準則，如滿足，則停止，否則，轉(2)； 記憶庫中最好個體即為所得解。 算法性能驗證 多峰測試函數(shù)收斂性驗證為了驗證N Clonalg算法的全局收斂性，采用的測試函數(shù)如表31所示，其中～為多峰測試函數(shù)，～為單峰測試函數(shù)，將N Clonalg算法與Clonalg和OptaiNet算法[18]的測試性能進行比較。圖32~圖36分別表示～函數(shù)分布圖。測試過程中，Clonalg算法的種群設為100，克隆數(shù)C為5，；OptaiNet算法的種群設為20，克隆數(shù)C為5，抑制閾值；N Clonalg的參數(shù)設置為：規(guī)模選擇為為，克隆數(shù)C為5。停止準則均為運行最大迭代次數(shù)為300，如20次內記憶庫內未有更好的個體出現(xiàn)，則算法自動退出。 表 31 測試函數(shù)Test functionsx domainDimensionOptimumRastrigin function[,]20Ackley function[32,32]20Global function[100,100]20Schwefel1 function 1[10,10]20Schwefel1 function 2[100,100]20圖32 Rastrigin function圖33 Ackley function圖34 Global function圖35 Schwefel1 function 1圖36 Schwefel1 function 2表 32 三種算法搜索性能比較functionClonalgOptaiNetN Clonalg最小值177。方差103177。103104177。103105177。103104177。103105177。105106177。104105177。104106177。103108177。1040 177。0 0177。0 0177。00 177。0 0177。0 0177。0實際迭代次數(shù)671262178119326813714578421498617尋優(yōu)概率87%95%95%89%93%98%90%95%97%100%100%100%100%100%100% 算法的性能分析和比較由表32可知，對于～3個多峰測試函數(shù)，人工免疫網(wǎng)絡OptaiNet的尋優(yōu)精度要高于克隆選擇Clonalg，但迭代次數(shù)最多；NClonalg的尋優(yōu)概率和尋優(yōu)精度要明顯優(yōu)于Clonalg和免疫網(wǎng)絡OptaiNet算法；單峰函數(shù)尋優(yōu)都能取得比較好的效果；尤其是迭代次數(shù)，NClonalg的5個測試函數(shù)的平均迭代次數(shù)為21，Clonalg算法為64，OptaiNet算法為110，可見NClonalg算法結合了克隆選擇和免疫網(wǎng)絡，采用了Agent的思想，在尋優(yōu)性能上有了大大的改善，比較適合于多峰函數(shù)尋優(yōu)，是一種比較有前景的算法。 算法分析 在鄰域克隆選擇學習算法中，有幾個參數(shù)是需要調整的。例如變異概率、交叉概率以及自學習算法中的收斂半徑。首先，變異概率的作用在于局部收斂時，可以通過變異去搜索其他空間，進行全局尋優(yōu)。變異概率太小和太大，算法都有可能得不到全局最優(yōu)。一般選用=。同理，交叉概率也是一樣。一般選用=。而自學習算法中的收斂半徑，是應該相對于你的搜索空間而言，是不確定的。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。 本章小結本章在結合上章兩種算法的優(yōu)缺點，從智能體這一新的角度出發(fā)，提出了一種新的改進算法，即鄰域克隆選擇學習算法。在章節(jié)中，詳細闡