免疫算法 (4)

经过仿真实验，得到免疫算法的收敛曲线为：

物流配送中心选址方案：

从实验结果可以看出，在迭代到50次左右 时，算法达到收敛效果，即最优适应度值发生变化，平均适应度值不在发生明显的变化。

由实验得出的选址方案为：18、25、9、27、5、14，分别对应的需求点如下表所示： 配送中心序号 18 25 9 27 5 14 1、11、3、21、22、19 20、24、29、17 8、10 26、28、30、31 2、23、4、6、7 12、13、15、16、 由该方案得到的目标函数的结果为5.68×105。 需求点序号

5.1

小结

本文在对物流配送中心选址问题所构造的数学模型的基础上，通过免疫算法对问题的进行求解，在算法中结合遗传算法，引入了克隆选择、抗体抑制等思想，使算法的寻优能力更强。从实验的结果看出，算法的迭代次数较少，收敛速度快，能在较短时间内得出全局最优，彰显出算法独特的优势。实验结果表明，通过免疫算法求解物流配送中心选址问题，获得了较好的实验结果。

6

总结与展望

在本论文中，通过免疫算法和遗传算法的结合，在遗传算法的基础上引进了记忆单元的概念，用于求解物流配送中心选址问题。通过对31个城市作为案例，在MATLAB平台上对该算法进行了实验验证。通过实验证明，免疫算法对于求解多峰值优化问题具有较好的性能。在迭代过程中，算法以一个较快的速度收敛。

但是，本论文还是有很多不足的地方。例如：

1. 本文选取的参数不一定是准确的，比如交叉概率、变异概率，对算法

的性能影响比较大，影响了收敛速度。交叉概率过大，影响收敛速度，过小则不利于种群多样性的产生。变异概率过大，虽然能够扩大搜索范围，避免了搜索过程中陷入局部最优，但也会对即将发展成为最优个体的发展方向发生改变，破环了原先好的个体。应设置一大一小两个变异概率。当种群抗体的亲和度增长较快，向着最优的方向发展时，应使用较小的变异概率。而当种群中抗体亲和度的发展偏离了预期的发展方向时，应使用较大的变异概率。同时在选择操作中采用的是轮盘选择机制，由于自身就是一个概率性和不确定。所以常在实验结果中收敛所需要的迭代次数也有所波动。

2. 在停机方面的选择上，由于预先不知道配送中心选址问题要达到一个

怎样的效果，因此就很难确定一个停机条件，如果设定的停机条件是最大迭代次数，但如果问题不同，数学模型的构造不同，就很难确定一个合适的迭代次数。以种群中最优个体的平均适应度在连续若干代后没有明显的改进为停机标准，是比较合理的停机条件。但如果在迭代过程中出现个别抗体因浓度过高而出现早熟现象，导致过早的收敛，或进化的进程缓慢，导致平均适应度值的波动不大，让人的误以为已经求出理想解。这些情况得到的结果都是不好的。

综上所述，免疫算法在物流配送中心选址的应用得到初步的验证，在一定程度给决策者提供了参考价值。由于免疫算法的起步比较晚，免疫系统复杂，在系统建模、算法设计等问题上可借鉴的成果不多，遇到问题较复杂时解决能力上有所欠缺。

根据在不同问题的求解，着重对免疫算法与其他智能算法的对比研究上，可能会发现免疫算法的不足，加以优化改进，或与其他智能算法相结合，取长补短，也是一个很好的研究方向。

搜索“diyifanwen.net”或“第一范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，第一范文网，提供最新工程科技免疫算法 (4)全文阅读和word下载服务。