Нейронные сети и нейроконтроллеры. Бураков М.В. - 245 стр.

UptoLike

Составители: 

245
щей выходной сигнал Y*(t). Тогда, зная реальный выходной сигнал
объекта Y
i
(t) для i-го варианта таблицы правил, аффинность i-го
антитела можно оценить по формуле
1
1
1
1
*
() , , ,
() ()
i
N
k ik
k
ft i n
Y t Yt
=
==
-+
å
где N число точек, в которых сравниваются два переходных про-
цесса.
Далее отбираются m антител с наиболее высокой аффинностью,
которые подвергаются клонированию, при этом число клонов C
i
антитела Ab
i
будет пропорционально величине его аффинности:
round 1( ), , ,
i ci
C kf i n==
где k
c
– масштабирующий коэффициент клонирования.
Клонированные антитела подвергаются процессу соматической
гипермутации. Поскольку параметры представляются действи-
тельными числами, процесс мутации для антитела Ab
i
будет заклю-
чаться в случайном изменении параметров на величину, кратную
шагу мутации u.
Число мутаций α
i
, которым будет подвергаться антитело Ab
i
в
процессе соматической гипермутации, будет равно
mut
1
round 1 1, ,,
i
i
k in
f
α
æö
æö
÷
ç÷
ç
÷
÷
ç
= -=
ç
÷
÷
ç
ç
÷
÷
ç
÷
ç
èø
èø
где k
mut
– масштабирующий коэффициент мутации.
Таким образом, чем больше аффинность антител, тем меньше
они будут подвергаться процессу мутации.
После процесса соматической гипермутации отбирается анти-
тело с наиболее высокой аффинностью. Оно запоминается как ре-
зультат поиска M и помещается в следующую популяцию. После
исчезновения каждой популяции значение M обновляется, если
аффинность полученного антитела больше, чем предыдущий ре-
зультат поиска M.
Работа алгоритма продолжается в течение N популяций анти-
тел, по истечении которых антитело M будет полученным резуль-
татом иммунного алгоритма оптимизации.
Можно предположить, что появление новых биологических ана-
логий в качестве метаэвристик не может фундаментально улучшить
процесса глобальной оптимизации. В этой связи более перспектив-