张超等：基于自适应搜索的免疫粒子群算法 ·131· 10 10 10 10-1D 10- 10-s ---1) ---PS0 10-0 -----IIPS0 ---IIPSO -IPSO-DDT 10 IPSO-DDT 100 ASIPSO 10-0 10-is 020406080100120140160180200 020406080100120140160180200 进化代数 进化代数 图5四种算法Sphere(2维)进化比较 图8四种算法Ackley(2维)进化比较 Fig.5 Comparison of 4 algorithms for Sphere (2D) Fig.8 Comparison of 4 algorithms for Ackley (2D) 100 10 10 10 10- 10 ---PS0 ---PS0 型100 2102 …IPSO-DD'T ---PS0 ASIPSO HIPSO …PSO-DDT 100 10 一ASIPS0 10 20406080100120140160180200 10-6 0 020406080100120140160180200 进化代数 进化代数 图6四种算法Stcp(5维)进化比较 图9四种算法Schwefel(2维)进化比较 Fig.6 Comparison of 4 algorithms for Step (2D) Fig.9 Comparison of 4 algorithms for Schwefel (2D) 105 102 10m 10 102 10 10+ ---PS0 ---PS0 ----IIPSO 10 -----IIPSO 10-0 IPSO-DDT -IPSO-DDT -ASIPSO 10-8 -ASIPSO 10-5 020406080100120140160180200 101e 020.406080100120140160180200 进化代数 进化代数 图7四种算法Rosenbrock(10维)进化比较 图10四种算法Alpine(5维)进化比较 Fig.7 Comparison of 4 algorithms for Rosenbrock (10D) Fig.10 Comparison of 4 algorithms for Alpine (5D) 群优化算法优化结果要差.自适应免疫粒子群算法采 在运行时间上，融合算法由于加入浓度调节机制 用由最大粒子浓度控制的并联融合机制和自适应免疫 和疫苗接种机制，导致整个算法复杂性增加，运行时间 搜索的免疫接种机制，动态地平衡算法的全局搜索能 变长.改进的粒子群免疫优化算法和带有动态扰动的 力和局部搜索能力.在处理复杂优化问题时，在保证 免疫粒子群算法的浓度计算机制是基于矢量距的浓度 局部搜索能力的情况下又不失全局搜索能力，有较高 计算方法.它们的运行时间是粒子群优化算法的1~2 优化精度. 倍，不会随着维度增加而大幅增加.而自适应免疫粒张 超等: 基于自适应搜索的免疫粒子群算法 图 5 四种算法 Sphere (2 维)进化比较 Fig. 5 Comparison of 4 algorithms for Sphere (2D) 图 6 四种算法 Step (5 维)进化比较 Fig. 6 Comparison of 4 algorithms for Step (2D) 图 7 四种算法 Rosenbrock (10 维)进化比较 Fig. 7 Comparison of 4 algorithms for Rosenbrock (10D) 群优化算法优化结果要差. 自适应免疫粒子群算法采 用由最大粒子浓度控制的并联融合机制和自适应免疫 搜索的免疫接种机制,动态地平衡算法的全局搜索能 力和局部搜索能力. 在处理复杂优化问题时,在保证 局部搜索能力的情况下又不失全局搜索能力,有较高 优化精度. 图 8 四种算法 Ackley (2 维)进化比较 Fig. 8 Comparison of 4 algorithms for Ackley (2D) 图 9 四种算法 Schwefel (2 维)进化比较 Fig. 9 Comparison of 4 algorithms for Schwefel (2D) 图 10 四种算法 Alpine (5 维)进化比较 Fig. 10 Comparison of 4 algorithms for Alpine (5D) 在运行时间上,融合算法由于加入浓度调节机制 和疫苗接种机制,导致整个算法复杂性增加,运行时间 变长. 改进的粒子群免疫优化算法和带有动态扰动的 免疫粒子群算法的浓度计算机制是基于矢量距的浓度 计算方法. 它们的运行时间是粒子群优化算法的 1 ~ 2 倍,不会随着维度增加而大幅增加. 而自适应免疫粒 ·131·