×
马里奥·帕沃内;朱塞佩·纳齐西;朱塞佩·尼科西亚

克隆选择：一种用于连续空间全局优化的免疫算法。 （英语） Zbl 1259.90103号

J.全球。最佳方案。 53，第4期，769-808（2012）.
摘要：在本研究论文中，我们提出了一种免疫算法（IA）来解决高维实例的全局数值优化问题。这些优化问题对于许多实际应用程序来说都是至关重要的。我们设计了两个版本的IA：第一个基于二进制代码表示，第二个基于实值，分别称为opt-IMMALG01和opt-IMMAPLG。为了评估两种IA版本的有效性，我们进行了大量的实验。opt-IMMALG01和opt-IMMAPLG都与一些自然启发的方法进行了广泛的比较，包括一组差分进化算法，已知其性能优于同一测试床上的许多其他生物启发和确定性算法。此外，还将混合和确定性全局搜索算法（例如DIRECT、LeGO、PSwarm）与两个IA版本进行了比较，共有39个优化算法。结果表明，所提出的免疫算法在准确性方面是有效的，并且能够解决已知基准的大规模实例。实验结果还表明，这两个IA版本具有可比性，通常优于最先进的优化算法。

引用于1文件

MSC公司：

90C26型 非凸规划，全局优化
90 C59 数学规划中的近似方法和启发式

关键词：

非线性优化;无导数优化;黑盒优化;免疫学算法;进化算法

软件：

直接的，直接的;TTTPLOTS公司;PS温;PERL语言;基础知识
PDF格式BibTeX公司 XML格式引用
\textit{M.Pavone}等人，J.Glob。最佳方案。53，第4号，769--808（2012；Zbl 1259.90103）
全文： DOI程序

参考文献：

[1] Aiex R.M.、Resende M.G.C.、Ribeiro C.C.：TTTPLOTS：创建时间目标图的perl程序。最佳方案。莱特。1, 355–366 (2007) ·Zbl 1220.90102号 ·doi:10.1007/s11590-006-0031-4
[2] Aiex R.M.、Resende M.G.C.、Ribeiro C.C.：GRASP中溶液时间的概率分布：实验研究。《启发式》第8卷，343–373页（2002年）·Zbl 1012.68795号 ·doi:10.1023/A:1015061802659
[3] Angeline P.J.：进化优化与粒子群优化：原理和性能差异。收录于：Porto，V.W.，Saravanan，N.，Waagen，D.，Eiben，A.E.（编辑）《进化编程》，第7卷，第601-610页。施普林格-韦朗，柏林（1998）
[4] Caponetto R.、Fortuna L.、Fazzino S.、Xibilia M.G.：改善进化算法性能的混沌序列。IEEE传输。进化。计算。7(3), 289–304 (2003) ·doi:10.1109/TEVC.2003.810069
[5] Cassioli，A.，Di Lorenzo，D.，Locatelli，M.，Schoen，F.，Sciandone，M.：机器学习用于全局优化。计算。最佳方案。申请。doi:10.1007/s10589-010-9330-x已于2010年8月接受·Zbl 1243.90178号
[6] Chambers J.M.、Cleveland W.S.、Kleiner B.、Tukey P.A.：数据分析的图形模型。查普曼&amp；霍尔，伦敦（1983）·Zbl 0532.65094号
[7] Chellapilla K.：结合进化编程中的变异算子。IEEE传输。Evolut公司。计算。2, 91–96 (1998) ·数字对象标识代码：10.1109/4235.735431
[8] Cutello，V.、Narzisi，G.、Nicosia，G.和Pavone，M.：用于全局数值优化的免疫算法。摘自：《第七届国际人工进化会议论文集》（EA’05），第3871卷，第284–295页。LNCS（2005）
[9] Cutello，V.、Narzisi，G.、Nicosia，G.和Pavone，M.：克隆选择算法：使用有效突变潜能的比较案例研究。摘自：《第四届人工免疫系统国际会议记录》（ICARIS’05），第3627卷，第13-28页。LNCS（2005）
[10] Cutello，V.，Nicosia，G.，Pavone，M.：图着色问题的具有信息增益的混合免疫算法。摘自：《遗传与进化计算会议录》（GECCO’03），第2723卷，第171-182页。LNCS（2003）·Zbl 1028.68715号
[11] Cutello，V.，Nicosia，G.，Pavone，M.：探索免疫算法的能力：超变异算子的特征。摘自：《第三届人工免疫系统国际会议记录》（ICARIS’04），第3239卷，第263-276页。LNCS（2004）
[12] Cutello，V.，Nicosia，G.，Pavone，M.：Dill’s 2D疏水-亲水模型的超突变免疫算法。摘自：《进化计算国会议事录》（CEC’04），第1卷，第1074–1080页。IEEE出版社，纽约（2004）
[13] Cutello V.、Nicosia G.、Pavone M.：色数问题的随机老化和Kullback熵免疫算法。J.库姆。最佳方案。14(1), 9–33 (2007) ·Zbl 1125.05098号 ·doi:10.1007/s10878-006-9036-2
[14] Cutello，V.，Nicosia，G.，Pavone，M.，Narzisi，G.：使用混合反比例超变异算子实现无约束全局数值优化的实数编码克隆选择算法。摘自：第21届ACM应用计算年度研讨会论文集（SAC’06），第2卷，第950-954页（2006）
[15] Cutello V.、Nicosia G.、Pavone M.、Timmis J.：晶格模型蛋白质结构预测的免疫算法。IEEE传输。进化。计算。11(1), 101–117 (2007) ·doi:10.1109/TEVC.2006.880328
[16] Dasgupta，D.：人工免疫系统的进展。IEEE计算。智力。Mag.40-49（2006）
[17] Dasgupta D.，Niño F.：免疫学计算：理论与应用。CRC出版社，Taylor&amp；Francis Group，Boca Raton（2009年）
[18] Davies M.、Secker A.、Freitas A.、Timmis J.、Clark E.、Flower D.：蛋白质分类的排列相关技术。货币。蛋白质组学5（4），217–223（2008）·doi:10.2174/157016408786733770
[19] De Castro法律公告，Von Zuben F.J.：使用克隆选择原则进行学习和优化。IEEE传输。Evolut公司。计算。6(3), 239–251 (2002) ·doi:10.1109/TEVC.2002.1011539
[20] Feo T.A.，Resende M.G.C.，Smith S.H.：最大独立集的贪婪随机自适应搜索程序。操作。第42号决议，860-878（1994年）·Zbl 0815.90121号 ·doi:10.1287/opre.42.5.860
[21] Finkel，D.E.：直接优化算法用户指南。CRSC N.C.州立大学技术报告。ftp://ftp.ncsu.edu/pub/ncsu/crsc/pdf/crsc-tr03-11.pdf（2003年3月）
[22] Floudas，C.A.，Pardalos，P.M.（编辑）：优化百科全书。柏林施普林格出版社（2009）·Zbl 1156.90001号
[23] 加勒特·S·：我们如何评估人工免疫系统？。进化。计算。13(2), 145–178 (2005) ·doi:10.1162/1063656054088512
[24] Goldberg D.E.：《从胜任的遗传算法中吸取创新经验教训的设计》，第7卷。Kluwer学术出版社，波士顿（2002）·Zbl 1047.68162号
[25] Goldberg，D.E.，Voessner，S.：优化全球-本地搜索混合。摘自：遗传和进化计算会议（GECCO’99），第220-228页（1999）
[26] Hart W.E.，Krasnogor N.，Smith J.E.：记忆算法的最新进展，模糊性和软计算研究系列。柏林施普林格出版社（2005）·Zbl 1060.68101号
[27] http://www2.research.att.com/\（\sim\）mgcr/ttttplots/
[28] Jones D.R.、Perttunen C.D.、Stuckman B.E.：不含Lipchitz常数的Lipschitzian优化。J.优化。理论应用。79, 157–181 (1993) ·Zbl 0796.49032号 ·doi:10.1007/BF00941892
[29] Karaboga D.，Baturk B.：一种强大而有效的数值函数优化算法：人工蜂群（ABC）算法。J.全球优化。39, 459–471 (2007) ·Zbl 1149.90186号 ·数字对象标识代码：10.1007/s10898-007-9149-x
[30] Lozano M.，Herrera F.，Krasnogor N.，Molina D.：带交叉爬山的Real-coded Memetic算法。进化。计算。12(3), 273–302 (2004) ·doi:10.1162/1063656041774983
[31] Mezura-Montes，E.，Velázquez-Reyes，J.，Coello Coello C.：用于全局优化的差分进化变量的比较研究。摘自：遗传和进化计算会议（GECCO’06），第1卷，第485-492页（2006）
[32] Noman N.，Iba H.：通过局部搜索提高高维函数优化的差分进化性能。摘自：遗传与进化计算会议（GECCO’05），第967–974页（2005）
[33] Pardalos P.M.，Resende M.：应用优化手册。牛津大学出版社，牛津（2002）·Zbl 0996.90001号
[34] Price K.V.，Storn M.，Lampien J.A.：差分进化：全局优化的实用方法。柏林施普林格出版社（2005）
[35] Smith S.，Timmis J.：帕金森病诊断的免疫网络启发进化算法。生物系统94（1-2），34–46（2008）·doi:10.1016/j.biosystems.2008.05.024
[36] Storn R.，Price K.V.：差分进化是一种简单有效的启发式算法，用于连续空间上的全局优化。J.全球优化。11(4), 341–359 (1997) ·Zbl 0888.90135号 ·doi:10.1023/A:1008202821328
[37] Timmis J.：人工免疫系统——今天和明天。自然计算。6(1), 1–18 (2007) ·Zbl 1116.68068号 ·doi:10.1007/s11047-006-9029-1
[38] Timmis J.，Hart E.：AIS的应用领域：过去、现在和未来。J.应用。软计算。8(1), 191–201 (2008) ·doi:10.1016/j.asoc.2006.12.004
[39] Timmis，J.、Hart，E.、Hone，A.、Neal，M.、Robins，A.、Stepney，S.、Tyrrell A.：免疫工程。摘自：《生物启发协同计算国际会议论文集》（IFIP'09），第268卷，第3-17页。IEEE出版社，纽约（2008）
[40] Timmis，J.和Kelsey J.：免疫激发的用于功能优化的体细胞连续超突变。摘自：《遗传和进化计算会议论文集》（GECCO’03），第2723卷，第207-218页。LNCS（2003）·兹比尔1028.68801
[41] Vaz A.I.F.，Vicente法律公告：用于边界约束全局优化的粒子群模式搜索方法。J.全球优化。39, 197–219 (2007) ·Zbl 1180.90252号 ·doi:10.1007/s10898-007-9133-5
[42] Versterström，J.，Thomsen，R.：差分进化、粒子群优化和数值基准问题进化算法的比较研究。In:进化计算大会（CEC'04），第1卷，第1980-1987页（2004）
[43] Yao X.，Liu Y.，Lin G.M.：进化编程更快了。IEEE传输。进化。计算。3(2), 82–102 (1999) ·doi:10.1109/4235.771163
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。