An artificial immune algorithm based on RBF neural network and adaptive search includes: S1 antigen recognition; RBF neural network construction; S2 anti-antigen non-linear mapping surface construction; S3 randomly generates a certain number of initial antibody groups; S4 calculates antibody-antigen structure, and optimizes N antibodies for evaluation; S5 carries out antibody evaluation; S6 sequences antibody groups and extracts the pre-nA. Population A is made up of memory cells, and population B is made up of nB. When the termination condition of S7 is judged, the result will be output. Conversely, S8 and S8 are executed to select, cross and mutate the antibody groups in S6 except population A to form population C. After vaccination of vaccinated population B, antibody population D is formed with population A and C and transferred to S4. The invention aims to provide an artificial immune algorithm based on RBF neural network and adaptive search, which has strong local search ability, fast convergence speed, high algorithm efficiency and accuracy.
【技术实现步骤摘要】
一种基于RBF神经网络和自适应搜索的人工免疫算法
本专利技术涉及一种基于RBF神经网络和自适应搜索的人工免疫算法。
技术介绍
随着保障任务的多样化和能量高效化利用的要求越来越高,有效提高能量利用效率,降低系统能耗对提高抢救车在野外环境下持续高效工作具有重大意义。近年来,液压混合动力技术和能量回收再利用技术等液压节能技术在降低能耗和提高效率等方面发挥了积极作用,因为其不仅有效的降低了系统的节流损失,还对系统的制动能和重力势能等潜在可回收能量进行回收再利用。但由于这些新系统仍是一个复杂多变的时变非线性系统,且对能量的回收再利用过程对系统的功率流也有较大的影响,因此不同的关键元部件参数对液压节能系统的最优工作状态和节能效果都有较大影响。深入地分析影响系统节能控制的关键因素,优化关键元件匹配关系,对提高系统的整体节能效果和控制性能具有重要作用。对于抢救车液压节能系统而言,液压节能系统的参数优化主要是使系统在满足功能要求的前提下,提高系统效率,降低系统能耗。静态参数匹配是优化系统关键元部件参数的一种常用方法,即按照执行元件所需的最大值要求来匹配参数,而由于系统不同执行元件的负载变化复杂,采用这种静态匹配的方式容易出现能量的“过欲”匹配,造成系统能量的较大浪费。而根据系统执行元件动态工况情况来进行动态参数匹配的方法主要以遗传算法和粒子群算法为典型代表的进化理论为主,其在网络安全、汽车领域和其他工程领域等领域都有广泛应用,但这些传统的进化算法在后期容易出现多样性变差,进化速度显著降低的现象,进而导致算法停滞不前,容易陷入局部最优解等问题。随着免疫机制的引进,对搜索进化算 ...
【技术保护点】
1.一种基于RBF神经网络和自适应搜索的人工免疫算法,其特征在于包括以下步骤:S1)分析问题,即抗原识别,对问题特征进行分析,明确约束关系;系统建模,构建RBF神经网络;S2)利用样本数据对RBF神经网络进行训练,构建抗体‑抗原非线性RBF神经网络映射曲面;S3)随机产生一定数量的初始抗体群;S4)利用步骤S2构建的抗体‑抗原非线性RBF神经网络映射曲面计算出抗体‑抗原结构体,从中优选出N个抗体作为待评价抗体;所述优选方法为根据抗原的优劣排序,选出前N个;S5)对步骤S4优选出的N个抗体进行评价,计算每个抗体与抗原的亲和度,计算抗体浓度,计算每个抗体的期望繁殖率;S6)形成父代群:将抗体群按期望繁殖率进行降序排列,并提取前nA个作为记忆细胞构成种群A,将后nB个作为待接种种群B,其中nA=PcmaxN,nB=nA,Pcmax是抗体与抗原之间亲和度最大值;S7)终止条件判断,若满足终止条件,则结束并输出结果,即最优解;反之,则执行步骤S8;S8)免疫操作和疫苗接种:对步骤S6中除去种群A外的抗体群进行选择、交叉和变异操作,形成种群C,种群C中抗体数量为nc,nc=N‑nA;对待接种种群B ...
【技术特征摘要】
1.一种基于RBF神经网络和自适应搜索的人工免疫算法,其特征在于包括以下步骤:S1)分析问题,即抗原识别,对问题特征进行分析,明确约束关系;系统建模,构建RBF神经网络;S2)利用样本数据对RBF神经网络进行训练,构建抗体-抗原非线性RBF神经网络映射曲面;S3)随机产生一定数量的初始抗体群;S4)利用步骤S2构建的抗体-抗原非线性RBF神经网络映射曲面计算出抗体-抗原结构体,从中优选出N个抗体作为待评价抗体;所述优选方法为根据抗原的优劣排序,选出前N个;S5)对步骤S4优选出的N个抗体进行评价,计算每个抗体与抗原的亲和度,计算抗体浓度,计算每个抗体的期望繁殖率;S6)形成父代群:将抗体群按期望繁殖率进行降序排列,并提取前nA个作为记忆细胞构成种群A,将后nB个作为待接种种群B,其中nA=PcmaxN,nB=nA,Pcmax是抗体与抗原之间亲和度最大值;S7)终止条件判断,若满足终止条件,则结束并输出结果,即最优解;反之,则执行步骤S8;S8)免疫操作和疫苗接种:对步骤S6中除去种群A外的抗体群进行选择、交叉和变异操作,形成种群C,种群C中抗体数量为nc,nc=N-nA;对待接种种群B进行疫苗接种后,与种群A、种群C一起组成新的抗体种群D,再转到步骤S4;所述疫苗接种是采用一种自适应搜索算法实现的,以种群A中的记忆细胞为中心,在记忆细胞周围指定范围内随机搜索该指定范围内的最优抗体,并以该最优抗体替代待接种种群B中的抗体。2.根据权利要求1所述的一...
【专利技术属性】
技术研发人员:韩寿松,宁初明,薛大兵,李华莹,晁智强,李燕军,沈灿铎,刘毅,靳莹,王飞,江鹏程,谭永营,李勋,
申请(专利权)人:中国人民解放军陆军装甲兵学院,军事科学院系统工程研究院军需工程技术研究所,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。