基于小世界網絡模型和免疫克隆優(yōu)化的智能計算方法以及應用.pdf

1、本論文從信息學科背景出發(fā)，結合多領域不同學科的相關內容，研究復雜網絡中小世界網絡模型和免疫計算中克隆優(yōu)化算法的有機融合以及應用。復雜網絡理論一方面是我們研究多種智能優(yōu)化算法的工具，另一方面其本身也是我們的研究對象。
　　在分析小世界網絡中信息傳遞動力學的基礎之上，結合免疫計算，本論文構造了二類算法模型：網絡特征算子免疫優(yōu)化模型和網絡拓撲結構免疫優(yōu)化模型。以這二個模型為理論根基和指導，針對不同的問題設計構造了多種新的免疫小世界優(yōu)化算

2、法，主要工作可以概括如下：
　　1）以小世界網絡中信息的傳遞動力學分析為基礎，提出了網絡特征算子免疫優(yōu)化模型（Immune Optimization Model of Network Feature，IOM-NF）和網絡拓撲結構免疫優(yōu)化模型（Immune Optimization Model of Network Structure，IOM-NS）。IOM-NF模型著眼于網絡模型的屬性特點，通過構造具有相關網絡特征的算子來設計新算

3、法。IOM-NS模型側重于考察網絡的拓撲結構，以群智能算法為研究對象，考慮作為種群結構的復雜網絡拓撲模型對算法性能的影響。這二類算法模型為本論文之后各章的具體工作奠定了堅實的理論根基。
　　2）以IOM-NF模型為基礎，針對無約束優(yōu)化問題、合取范式可滿足性問題、和線性系統逼近問題，分別提出了相應的算法，取得了較滿意的結果。在無約束優(yōu)化問題求解中，基于Kleinberg網絡搜索模型構造了社會網絡搜索免疫優(yōu)化算法（SNSIA），通過對

4、三組實驗28個基準測試函數的仿真驗證了算法的有效性。在合取范式可滿足性問題的研究中，引入量子計算技術，結合生物物理學中的協同策略，設計了量子免疫協同小世界優(yōu)化算法（QICAS），有效的解決了SATLIB庫中“Uniform Random3-SAT”問題集。在線性系統逼近問題的處理中，引入社會科學計算中經濟管理論中的和諧管理思想，構造了和諧進化免疫信息網絡優(yōu)化算法（HEIN），通過“和則”規(guī)則集與“諧則”規(guī)則集的有效結合，HEIN中種群多

5、樣性得到很好地保持，進而對線性穩(wěn)定系統和線性非穩(wěn)定系統的逼近問題取得很好的結果。
　　3）在IOM-NS模型下，以集群算法的典型代表粒子群算法（Particle Swarm Optimization，PSO）為研究對象，針對約束優(yōu)化問題，提出了基于Newman-Watts小世界模型（NW小世界模型）的動態(tài)網絡結構免疫PSO算法（DNIPSO）。該算法中各粒子初始時位于一個k近鄰耦合網絡上，之后隨著粒子的不斷進化，其種群結構也依據N

6、W網絡結構的演化規(guī)則而不斷演化，使得粒子種群結構由規(guī)則網絡逐漸演化為NW小世界網絡。當算法進行到搜索后期，由于種群結構演化的完成，粒子群體的種群結構演化為全連通網絡，完成了算法中種群結構的整個動態(tài)演化過程。同時，在DNIPSO算法中，通過對每代最優(yōu)粒子pbest執(zhí)行免疫學習算子，實現了算法全局勘探與局部開發(fā)的有效結合。對10個約束函數的測試驗證了該算法的有效性和魯棒性。
　　4）針對社會網絡聚類問題，結合免疫Memetic算法和社

7、會計算學中的強弱關聯屬性理論，提出了免疫Memetic關聯學習算法（IMRLA），來挖掘社會網絡的社團結構。這里我們將復雜網絡結構本身作為研究的對象，通過設計相關免疫算法優(yōu)化模塊度函數，從而挖掘和理解社會網絡的社團結構關系。通過對三個真實數據集社團結構的劃分實驗，驗證了所提算法的有效性。
　　5）針對圖像分割問題，將免疫小世界優(yōu)化算法與閾值判斷法相結合，提出了針對圖像分割問題的免疫協同小世界優(yōu)化算法（ICSO-IS）。該算法引入針