论文部分内容阅读
近年来,我们对生物智能系统关注日益高涨。这其中,尤其以神经网络、进化计算、DNA计算和免疫系统最为重要。免疫遗传神经网络是由免疫算法、遗传算法、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,研究免疫遗传神经网络的原理、算法及应用。首先,简单介绍免疫算法的相关概念,与标准神经网络和遗传算法的特点进行比较。接着,利用一种基于免疫功能的遗传算法,设计多层前向神经网络,用于实现多层前向神经网络结构的确定和权值空间的搜索。仿真实验结果显示该算法具有更好的全局收敛性和快速学习网络权值的能力。然后,综合免疫算法、遗传算法、神经网络三者的优越性将它们结合,吸取Zhang Tang的多值免疫网络和De Castro的抗体网络的优点,提出了一种新的计算模型——免疫遗传神经网络。该模型的核心在于借鉴免疫学的原理和特性,运用神经网络的结构和现有理论,定义了基于免疫学的基本运算单元和规则,用遗传算法实现了个体群在群体收敛性和个体多样性之间动态平衡的调整,对现有较多的免疫学原理进行了工程模拟。最后,结合简单聚类和软木塞评估问题进行了仿真计算,并将其计算结果与其它方法进行了对比,结果表明该计算模型在聚类的能力,收敛的性能和速度上都有优势。