基于免疫进化算法的神经进化

【摘要】：近年来,人们对生物智能系统的关注日益高涨。这其中,尤其以神经网络、进化算法、DNA计算和免疫系统最为重要。免疫神经进化是由免疫算法、进化算法、神经网络的结合而构成的,具有解决实际问题的能力,比如模式识别能力、记忆能力、学习能力、多样性产生能力、噪声耐受、泛化、分布式诊断和优化能力等等。基于生物学原理的新型计算技术不断发展,目的不仅是为了更好的理解生物系统本身,更重要的在于解决工程问题。 本文借鉴生命科学中免疫的概念与理论,研究免疫神经进化的原理、算法及应用。首先,简单介绍上述三种算法的相关概念及性质,分析将三者结合的可行性,接着提出了免疫进化策略与免疫遗传算法两种算法,最后将这两种算法应用于神经网络的结构和权值的设计中,提出了基于免疫进化策略的神经进化和基于免疫遗传算法的神经进化两种神经进化算法。在基于免疫进化策略的神经进化算法中具体对编码、亲合度设计、浓度设计、基于浓度和亲合度的抗体选择以及抗体变异进行了描述,为了改进算法跳出局部极小的能力,文中专门对免疫进化策略的变异算子进行了研究,经过综合比较,采用了柯西算子作为算法的变异算子,仿真结果显示,虽然基于免疫进化策略的神经进化可以在算法收敛性上满足要求,然而,由于编码问题使得算法的收敛速度较慢,本文进而对抗体基因编码方法进行了改进,提出了基于免疫遗传算法的神经进化,在这种算法中,抗体编码采用了混合编码,并相应的设计出抗体的亲合度函数、浓度函数,并且对交叉变异等操作分别进行了改进,仿真实验对两种算法及其他一些神经网络设计算法进行了比较,结果显示,对于大规模神经网络样本,基于免疫遗传算法的神经进化算法的收敛速度优于基于免疫进化策略的神经进化。但两种算法的全局收敛性能均优于其他算法。两种算法均可以得到最优的神经网络设计方案。