1、宁波大学信息与科学工程学院本科毕业设计（论文）I题目：（中文）基于邻域-克隆选择学习算法的分馏系统资源优化（英文）Optimization of distillation resources based on neighborhood- clonal selection learning algorithm 基于邻域-克隆选择学习算法的分馏系统资源优化II诚 信 承 诺我谨在此承诺：本人所写的毕业论文基于邻域-克隆选择学习算法的分馏系统资源优化均系本人独立完成，没有抄袭行为，凡涉及其他作者的观点和材料，均作了注释，若有不实，后果由本人承担。承诺人（签名）： 年 月 日宁波大学信息与科学工程学院
2、本科毕业设计（论文）III摘 要【摘要】针对化工分馏系统资源优化问题，本文在结合生物免疫的克隆选择和人工免疫网络算法的基础上，采用了Agent 的思想，提出了一种邻域-克隆选择学习的全局优化算法（N- Clonalg）。N- Clonalg 通过定义网格化的邻域操作环境，使每个个体完成全局-局部的搜索操作。不同于其它人工免疫算法，N-Clonalg 的主要搜索算子有邻域克隆选择、邻域竞争和自学习算子，能有机 结合全局与局部搜索，多峰测试函数表明能 较好地克服了克隆选择算法（Clonalg）的早熟及人工免疫网络算法（Opt-aiNet）收敛速度慢现象，能在个体空间中有效地实现全局最优搜索。分 馏
3、系统资源优化的实例表明它具有较好的最优解搜索性能，能较好地实现化工中的寻优问题。但是 资源优化模型运行起来速度较慢，针对这一现象，结合神经 网络的特点，先用 rbf 神经网络逼近化工模型，当逼近到一定程度，再调用化工模型进行资源优化。利用这一思维，更好地 进行了分馏系 统资源优化的进行，更加快捷有效。【关键词】克隆选择学习；邻域-克隆 选择学习算法；多模态优化；分馏装置；RBF 神经网络。基于邻域-克隆选择学习算法的分馏系统资源优化IVOptimization of distillation resources based on neighborhood- clonal selection l
4、earning algorithm Abstract【ABSTRACT】Faced with the problem of resources optimization in chemical fractionation system, in this paper, we propose a global optimization algorithm(N-Clonalg) of neighbourhood - clonal selection study, which is combined with biological immune clonal selection and artific
5、ial immune algorithm based on the network and adapts the idea of Agent. By defining the grid operating environment of the neighbourhood, so N-Clonalg make each individual complete search operations from local to global. Unlike other artificial immune algorithm, N-Clonalg has the main search operator
6、s, such as the neighbourhood clonal selection, neighbourhood competition and self-learning operator.Combining global and local search organic, N-Clonalg overcomes the phenonmena of Clonalg precocious and Opt-aiNet slow convergence better and achieves global optimal search effectively in the individu
7、al space, which is proved in Multi-peak function test. Indeed, fractional system resource optimization examples also show that it has better search performance of the optimal solution, and can better achieve the solution in the optimization problem. However,there is a phenomenon that resource optimi
8、zation model is running slow.For it,combined with the characteristics of neural networks,using RBF network to approach the chemical model.when the optimization is close to a certain extent,then calling the chenical model for resource optimization.With this opinion,the optimization of the fractionati
9、on system resources is better,more efficient and effective.【KEYWORDS】Clonal selection learning;Neighborhood-clonal selection learning algorithm; Multi-modal optimization; Distillation column;RBF network.宁波大学信息与科学工程学院本科毕业设计（论文）V目 录目 录 .V1 绪论 .11.1 选题的意义和背景 .11.2 免疫算法的发展历史和研究现状 .11.3 免疫算法的应用和研究前景 .21.
10、4 本课题的研究内容和研究目标 .32 免疫算法的基本理论 .42.1 免疫算法基础 .42.1.1 免疫系统构成 .42.1.2 免疫系统的主要功能 .52.2 克隆选择算法 .62.2.1 克隆选择学说 .72.2.2 克隆选择算法 .82.3 人工免疫网络算法 .92.3.1 opt-aiNet 算法步骤 .102.3.2 opt-aiNet 算法分析 .112.4 本章小结 .113 邻域-克隆选择学习算法 .123.1 邻域-克隆选择学习算法的几种算子 .133.1.1 定义 .133.1.2 进化操作算子 .143.2 算法描述 .153.3 算法性能验证 .163.3.1 多峰测
11、试函数收敛性验证 .163.3.2 算法的性能分析和比较 .203.4 算法分析 .213.5 本章小结 .214 邻域-克隆选择学习算法的分馏装置资源优化应用 .224.1 分馏装置模型优化分析 .224.1.1 分馏系统资源优化模型 .224.1.2 装置测试分析 .234.2 邻域-克隆选择学习算法的应用 .244.2.1 收敛性验证 .244.2.2 算法的性能分析和比较 .254.3 本章小结 .265 神经网络-邻域克隆选择学习算法及应用 .275.1 神经网络基础 .275.1.1 神经网络的产生及意义 .275.1.2 神经网络的特征 .275.1.3 神经网络的发展趋势 .2
12、85.2 用神经网络逼近化工模型 .295.2.1 RBF 神经网络的性质及特点 .29基于邻域-克隆选择学习算法的分馏系统资源优化VI5.2.2 RBF 神经网络的学习方法 .315.2.3 用 RBF 神经网络逼近化工模型 .325.3 分馏系统资源优化中的应用 .335.4 本章小结 .346 总结 .356.1 总结 .356.2 展望 .35参考文献 .36致谢 .37附录 .38基于邻域-克隆选择学习算法的分馏系统资源优化11 绪论1.1 选题的意义和背景化工过程往往涉及到寻优问题，但因为其寻优的模型的解析表达是不是一个线性的、简单的数学表达式，所以传统的优化策略往往不能解决问题。
13、分馏系统的资源优化就是一个典型例子，其模型很难用明确的数学表达式描述，所以这类优化问题一直是化学工程的难题。与传统的优化技术相比，一些智能进化算法如：遗传、模拟退火和禁忌搜索等虽然通用性强、能并行处理及最终能收敛到全局最优解等优点 1。然而在实际应用中，这些算法还存在诸如早熟、难于确定控制参数、收敛速度慢等许多弊病。因此，寻找一种适合复杂工程问题寻优的高效全局优化算法是极其必要的。生物免疫作为一个高效的复杂的系统，可以通过学习、记忆、识别等各种手段来对信息进行处理。因此，生物免疫系统具有整体、局部搜索能力强的特点 2。近年来，人们从生物系统中获得灵感，提出了采用免疫计算途径实现的学习方法，如克
14、隆选择算法（Clonalg） 3和人工免疫网络算法（Opt-aiNet） 4。本文在结合（Clonalg ）和（Opt-aiNet）的基础上，并采用 Agent 的思想，提出了一种邻域-克隆选择学习算法（N- Clonalg） ，与克隆选择算法(Clonalg )和人工免疫网络算法（Opt-aiNet ）相比，该算法具有收敛速度快，全局搜索性能好，更适合于工程优化。于此同时，神经网络由于其大规模并进行处理、容错性、自组织、自适应能力和联想功能等特点，已成为解决很多问题的有力工具。本课题中利用的是神经网络能逼近非线性对象这一特点，将 rbf 神经网络和邻域-克隆选择学习算法（N- Clonalg
15、)结合，对分馏系统进行资源优化。1.2 免疫算法的发展历史和研究现状免疫算法是一种多峰值搜索算法，它是根据生物免疫系统对病菌的多样性识别能力这一特性研究出来的。免疫反应是有免疫器官及一些特殊的基因产生的一种特异的生理反应。免疫系统对侵入生物系统的抗原产生反应，形成抗体。也就是当生物系统中受到外界病毒侵害，自身免疫系统就被激活，从而使整个生物系统正常运行。从计算的角度看，生物免疫系统具有学习、记忆和特征提取能力，是一个完整的复杂的高效的系统。人类从生物的角度出发，将生物中一些特性，应用到信息处理中。免疫算法就是其中的一例。人工免疫系统也成为人工智能的崭新分支。十九世纪五六十年代，澳大利亚学者 B
16、urent 提出克隆选择原理，并因此获得诺贝尔奖。后来，他又对该原理进行完善。什么是克隆选择原理？克隆选择原理是一种算法理论，该理论阐述的是对抗原产生的反应，只有识别抗原的细胞才能产生增值。十九世纪末，著名科学家 Hunt 对克隆选择原理进一宁波大学信息与科学工程学院本科毕业设计（论文）步研究，提出另一新的学说，高频变异学说。十九世纪七十年代，诺贝尔获奖者 Jerne 为免疫网络建立了数学模型，为免疫算法奠定数学基础。之后 Farmer5、Perelson 6、Bersini、Varela 等学者分别在免疫算法这一领域发表相关论文，并作出突出贡献。他们在这方面的突出贡献，为该领域开辟了新的道路
17、。后来在十九世纪末，在美国召开人工免疫系统专题会议，人们对免疫系统的兴趣越来越大。人工免疫系统领域是一个崭新的领域，用来解决工程上的一些问题。二十世纪年代末，人工免疫系统成为人工智能的研究热点。自先前提出克隆选择算法，美国科学家 Forrest、Perelson 提出否定选择算法 7。于此同时，IBM 公司也开始对计算机免疫系统进行研究，也因此同时研发出了用于病毒防护的计算机免疫系统。二十一世纪年代初，Castro 和 Timmis 对否定选择算法进行了修改，引入变异这一概念。同年，Kim 和 Bentley 提出了动态克隆选择算法。至今，越来越多的学者和科学家投入到免疫算法这一领域。1.3
18、免疫算法的应用和研究前景人工免疫算法在很多领域都有应用，且得到很大显著成效。尤其在计算机科学领域，应用到免疫算法非常多，例如来解决优化计算、TSP 问题、数据分析等。应用到的领域方面可以分为几下方面：（1） 智能控制在实际工业被控对象中，因为对象具有非线性、不确定性和时变性的复杂特点。因为传统控制方法不能得到很好的控制效果，所以将免疫算法应用到控制领域中，即智能免疫控制器。（2） 组合优化二十一世纪初，De Castro 提出一个关于克隆选择算法的建议框架，并将其应用到组合优化问题的求解 9。在国内，戚玉涛，焦李成等人将人工免疫系统算法应用到大规模 TSP 问题 10。相继以来，王磊又提出了一
19、种新的算法，协同进化免疫算法。当然，也有人将经典搜索算子与免疫算法结合，用于组合优化问题。（3） 图像处理图像处理中，最佳视差图是很重要的一点。人过通过应用免疫算法来得到最佳视差图。与传统的模拟退火算法相比，免疫算法虽然也许不能得到全局的最优视差图，但其匹配速度快，高效。（4） 多目标优化 在多目标优化这一领域中，Coello 提出了基于克隆选择的多目标优化算法 11，为该领域提出了一种新的解决方案。国内焦李成等人在这方面成果显著，在原来国外成果的基础上。引入了约束这一条基于邻域-克隆选择学习算法的分馏系统资源优化3件，并通过对免疫机制的了解，提出了对约束多目标优化问题的解决方案。（5） 数据
20、处理信号数据处理方面，邵学广应用了免疫机理的特点，实现了混合色谱信号的解析 12。同时，免疫-遗传算法也可以实现二位色谱的快速解析。在数据分析这一领域，免疫算法越来越被重视，且被应用到。（6） 机器人机器人这一名词，为我们所熟悉。越来越多的机器人在被生产，且服务于人类。机器人也越来越智能化。免疫算法也更多地应用到机器人身上。例如，刘克胜根据选择学说和网络学说，提出了一种自适应的新算法 13。将该算法应用到机器人身上，机器人能完成一些特点的复杂活动。不需要人为操作，自发地完成任务。1.4 本课题的研究内容和研究目标研究内容：（1）了解免疫算法的原理和特征，对免疫算法有一个大致的掌握。针对众多的免
21、疫算法，本课题挑选了克隆选择算法和人工免疫网络算法这两种算法，并对这两种算法进行深入地学习。学习和掌握这两种算法的原理以及如何实现算法的编写，通过算法的运行，了解这两种算法的优缺点。（2）了解神经网络的特征。着重于神经网络能逼近非线性对象这一特性，掌握和学习 rbf 神经网络。学习 rbf 神经网络的构成，以及通过哪些学习方法来构成 rbf 神经网络，利用 rbf 神经网络逼近非线性对象。研究目标：根据克隆选择算法和人工免疫网络算法的优缺点，结合智能体这一概念，提出一种新的算法邻域-克隆选择学习算法（ N- Clonalg） 。在这基础上，再结合 rbf 神经网络，应用到分馏资源优化中。宁波大
22、学信息与科学工程学院本科毕业设计（论文）2 免疫算法的基本理论2.1 免疫算法基础“免疫”顾名思义就是免除传染病的意思，这词最初见于明朝时期的免疫类方一文。在国外，免疫（immune）是从拉丁文“immunis”出来的，也是免除疾病的意思。免疫反应是指机体接触到异物后产生的生理反应，用来保护自身的安全。免疫中有个特殊的概念就是抵抗力，抵抗力越强，其生存能力就越强。这些都是属于生物学范畴。随着科学的发展，免疫这一概念也别应用到信息技术中。免疫分“自体”和“非自体” 。对那些抗原性异物，机体作出反应，该行为可以被称作是免疫应答或者免疫耐受。一般的免疫系统包括免疫器官、免疫细胞和免疫分子。免疫学是一门年轻的学科，才处于起步阶段，但是用免疫学的方法来预防病毒可以追溯到 300 多年前。在古代，我国人们已经懂得用人痘来预防天花。经典的免疫学开端，是被认为二十世纪七十年代“牛痘”的发明。自从那时开始，生物学不断发展，且取得巨大成就。而免疫这方面又是相当重要的一方面，备受关注和研究。很多学者和科学家致力于研究这方面。久而久之，免疫学已经成为微生物学中一个独立的重要的学科 15。2.1.1 免疫系统构成高等动物和人类具有一套完整的免疫系统，其免疫功能是机体产生反应的物理基础。它有三方面组成：免疫器官，免疫细胞和免疫分子。具体如图 2-1 所示：
