DNA免疫遗传算法及其应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (26): 55-57.

DNA免疫遗传算法及其应用

文欣秀1，许光泞2

1.华东理工大学信息科学与工程学院，上海 200237
2.上海新华控制技术（集团）有限公司，上海 200241

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-11 发布日期:2011-09-11

Research on DNA immune genetic algorithm and its application

WEN Xinxiu1，XU Guangning2

1.College of Information Science and Engineering，East China University of Science and Technology，Shanghai 200237，China
2.Shanghai Xinhua Control Technology（Group） Co.，Ltd，Shanghai 200241，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-11 Published:2011-09-11

摘要/Abstract

摘要： 在研究T-S模糊RBF神经网络的基础上，提出了一种基于DNA生物机理和结构的免疫遗传算法，用于优化设计T-S模糊RBF神经网络的规则后件参数。该方法采用基于抗体浓度的更新策略调节机制，能有效地保持抗体的多样性，避免早熟收敛。应用于延迟焦化汽油干点的软测量建模，实例仿真结果表明DNA免疫遗传算法在T-S模糊神经网络系统的优化设计中是有效的，可获得较高精度的模型。

关键词: 径向基函数（RBF）神经网络, DNA编码, DNA免疫遗传算法, T-S模糊模型

Abstract: Having researched on the construct of T-S fuzzy RBF neural network，the method based on the DNA biology mechanism and structure is studied for optimizing the coefficient of the consequence of T-S fuzzy RBF neural network via the DNA immune algorithm.In this method，the adjusting mechanism based on antibody concentration updating strategy can keep the antibody diversity and avoid the premature convergence.It is used in soft-sensing modeling of the dry-point of gasoline delayed cooking.The experimental simulation results show that DNA immune algorithm is effective in the optimizing design of T-S fuzzy neural network system，and high accuracy model can be obtained.

Key words: Radial Basis Function（RBF） neural network, DNA coding, DNA immune genetic algorithm, T-S fuzzy model

文欣秀1，许光泞2. DNA免疫遗传算法及其应用[J]. 计算机工程与应用, 2011, 47(26): 55-57.

WEN Xinxiu1，XU Guangning2. Research on DNA immune genetic algorithm and its application[J]. Computer Engineering and Applications, 2011, 47(26): 55-57.

[1]	周友行，赵晗妘，刘汉江，李昱泽，肖雨琴. 采用DDPG的双足机器人自学习步态规划方法[J]. 计算机工程与应用, 2021, 57(6): 254-259.
[2]	孙堂乐，李国辉. EEMD与RBF神经网络的太阳黑子月均值预测[J]. 计算机工程与应用, 2017, 53(24): 252-256.
[3]	牛莹，张勋才. 基于比特置换与核酸序列库的混沌图像加密算法[J]. 计算机工程与应用, 2017, 53(17): 130-136.
[4]	陆亚男，南敬昌，高明明. 改进并行粒子群算法优化RBF神经网络建模[J]. 计算机工程与应用, 2017, 53(14): 45-50.
[5]	李安平1，2，刘国荣1，2，杨小亮1，沈细群2. 一类非等阶分数阶非线性系统的神经网络控制[J]. 计算机工程与应用, 2015, 51(20): 240-245.
[6]	谭乾1，江弋1，林凡2. 基于AHP-RBF的Swift云存储负载预测[J]. 计算机工程与应用, 2014, 50(8): 35-39.
[7]	闫明，冯春杨，高飞雪. 互联网中的模糊滑模拥塞控制策略[J]. 计算机工程与应用, 2014, 50(17): 100-105.
[8]	陈鸿星. 基于遗传优化神经网络的网络入侵特征检测[J]. 计算机工程与应用, 2014, 50(14): 78-81.
[9]	郭小燕1，张明2. 带权重的RBF神经网络银行个人信用评价方法[J]. 计算机工程与应用, 2013, 49(5): 258-262.
[10]	庞振，徐蔚鸿. 一种基于改进k-means的RBF神经网络学习方法[J]. 计算机工程与应用, 2012, 48(11): 161-163.
[11]	李慧，顾沈明. 基于RBF神经网络的赤潮预测方法[J]. 计算机工程与应用, 2012, 48(1): 228-230.
[12]	南敬昌1，赵景梅1，袁杰2. 基于RBF神经网络的射频功放行为模型研究[J]. 计算机工程与应用, 2011, 47(8): 125-127.
[13]	徐莉，刘飞. 饱和非线性时滞系统约束预测控制[J]. 计算机工程与应用, 2011, 47(31): 245-248.
[14]	朱越. 基于DNA的连续优化算法[J]. 计算机工程与应用, 2011, 47(22): 48-52.
[15]	赵宝江. 蚁群聚类算法的T-S模糊模型辨识[J]. 计算机工程与应用, 2011, 47(21): 153-156.