基于競爭-合作的分層協(xié)同進化免疫算法求解sp問題

基于競爭-合作的分層協(xié)同進化免疫算法求解sp問題

1基于競爭-合作的分層協(xié)同進化免疫算法人工免疫系統(tǒng)是利用生物信息系統(tǒng)的特點，并結(jié)合工程應(yīng)用而描述的新興智能信息處理系統(tǒng)。受免疫克隆選擇理論的啟發(fā)，dec崔等人提出了相對簡單的克隆選擇算法（csa），該算法成功地解決了數(shù)值優(yōu)化和tsp問題。在文獻中，提出了一種關(guān)于如何解決psp問題的自適應(yīng)免疫算法。這些算法在解決tsp問題方面發(fā)揮了一定的作用，但上述人工減少算法采用基于自身親和度的進化模式，而不考慮進化環(huán)境和個體間復(fù)雜關(guān)系對個體發(fā)展的影響。因此，在應(yīng)用中，它表現(xiàn)出易早期收斂的缺點，因此很難達到預(yù)期的效果。合作發(fā)展算法是一種新的生物模型進化算法。最初的研究始于幾個人的工作?；诤献靼l(fā)展的理念，建立了合作發(fā)展的競爭合作管理模式，描述了個體、環(huán)境和環(huán)境之間的合作行為?；谠撃Ｐ偷母倪M的克隆算法可以分離出只使用個人適應(yīng)性來控制進化的生物進化框架。然而，隨著進化過程的平衡，純競爭合作模型容易分化和退化。遺傳算法(GeneticAlgorithm,GA)是模擬自然界的物種進化而形成的一種并行搜索優(yōu)化智能啟發(fā)式算法,具有魯棒性強、便于并行處理等特點,廣泛應(yīng)用于解決搜索和優(yōu)化問題,但基本遺傳算法也存在著容易出現(xiàn)早熟收斂等缺陷.借鑒協(xié)同合作思想通過個體遷移等信息交流的手段將遺傳算法予以改進,提高解決TSP問題的效率.為進一步提高人工免疫算法求解TSP問題的效率,借鑒協(xié)同進化和分層的思想,提出了一種基于競爭-合作的分層協(xié)同進化免疫算法(HCIA).HCIA分為上下兩層,通過對若干個子種群進行低層免疫操作:局部最優(yōu)免疫優(yōu)勢、基于種間競爭和種內(nèi)競爭的克隆擴增等克隆選擇算子、基于改進微粒群算法的抗體多樣性改善和高層遺傳操作:選擇、抗體遷移、變異,增強優(yōu)秀抗體實現(xiàn)親和度成熟的機會,提高抗體群分布的多樣性,在深度搜索和廣度尋優(yōu)之間取得了平衡.針對TSP實例的仿真結(jié)果表明,HCIA具有可靠的全局收斂性及較快的收斂速度.2h慈禧算法2.1概念的描述2.1.1城市距離的距離問題vnTSP問題是著名的NP難問題,它可以簡單描述為:已知N個城市V={v1,v2,…,vN}以及任意兩城市間的距離d(vi,vj),求一條經(jīng)過V中所有城市一次且僅一次的閉合π(V={v1,v2,…,vN}),使得總行程最小.該問題描述簡單但其實際模型在電路板布局,VLSI芯片設(shè)計,車輛調(diào)度等優(yōu)化問題中有著廣泛的應(yīng)用.2.1.2抗體子種群的增加在免疫CSA算法求解N個城市的TSP問題時,抗體a對應(yīng)候選路徑,采用實數(shù)編碼(用城市的序號表示).抗體子種群Ab可以表示為Ab=[a1,a2,…,am],m為抗體的個數(shù).抗原抽象為TSP問題的求解,用當(dāng)前抗體群中的路徑長度最短的抗體看做抗原.2.1.3親和度函數(shù)的定義定義1抗體與抗原間的親和度反映了抗體與抗原的匹配程度,親和度函數(shù)定義如下:式中,dist(ai)為Ab中第i個抗體的路徑長度,S0為相應(yīng)TSP實例的已知最短路徑值.2.2h牙模型和流程2.2.1子種群的新組織借鑒分層和協(xié)同進化的思想,設(shè)計了HCIA模型.定義2HCIA模型分為上下兩層,低層抗體子種群集合A和高層抗體子種群P按照圖1中的方式組織而成.A={Ab1,Ab2,…,AbNN},把群體分割成NN個子種群可以有效維持群體中個體的多樣性,能有效避免單種群進化計算的未成熟收斂等缺陷.每個子種群采用競爭協(xié)同進化模型能有效提高收斂速度和收斂精度.提升操作是將低層NN個子種群提升至高層.高層操作采用基于協(xié)同合作的并行遺傳算法.更新操作是把高層優(yōu)化的子種群更新相應(yīng)的低層子種群.2.2.2ssc的獲得HCIA算法將CSA、分層、多種群、協(xié)同進化、PSO等概念應(yīng)用于TSP問題,流程如下:Step1初始化NN個抗體子種群(子種群規(guī)模為m,取值30或40).Step2計算NN個抗體子種群中各抗體對應(yīng)的路徑長度,獲得抗體種群的最短路徑值.While(算法終止條件不滿足)For(每個抗體子種群Ab)//基于競爭協(xié)同的低層LOICSA操作計算Ab中抗體親和度并對Ab采用LOIA操作,克隆擴增,Ab″=Tcc(Ab′).采用Inver-over變異算子高頻變異,Tmc(Ab″(k)).免疫選擇Tsc操作.基于IPSO的抗體多樣性改善操作.EndForIf迭代代數(shù)為Ith代的整數(shù)倍//基于協(xié)同合作的高層遺傳操作依據(jù)選擇算子選擇低層子種群進入高層.依據(jù)抗體遷移算子進行抗體遷移.依據(jù)變異算子進行變異.變異后各子種群采用最優(yōu)保存策略.轉(zhuǎn)到Step3,并更新相應(yīng)的低層子種群.轉(zhuǎn)到Step3.EndWhileStep4輸出種群最優(yōu)抗體及其路徑長度值.2.3優(yōu)勢克隆選擇算法低層操作采用基于協(xié)同競爭模型的局部最優(yōu)免疫優(yōu)勢克隆選擇算法(LocalOptimizationImmunodominanceCSA,LOICSA),操作算子如下:2.3.1loia算法依據(jù)文獻抗體免疫優(yōu)勢的相關(guān)結(jié)論,本文分析每次迭代中最優(yōu)抗體(最優(yōu)抗體路徑長度最短,廣義地講,它具有免疫優(yōu)勢),從而獲得免疫優(yōu)勢,使算法更具有通用性.抗體LOIA算子原理參見文獻.LOIA算法流程依據(jù)抗體與抗原間的親和度大小將Ab中抗體按照降序來排序,并分為兩部分:Ab(H)=[a1,a2,…,aH],Ab(L)=[aH+1,aH+2,…,aH+L],H=L=m/2.其中a1的親和度最大,aH+L的親和度最小.Step1選取Ab(H)中的H個高親和度抗體.被選抗體和Ab中親和度最高的抗體進行LOI操作,得到兩個新抗體.取兩個新抗體中親和度高的抗體,若其親和度高于被選抗體的親和度,則替換,否則丟棄新抗體.EndForStep3得到新的抗體子種群Ab′.2.3.2性能指數(shù)f定義3假設(shè)Ab有m個抗體,每個抗體有N位基因,采用的編碼符號集大小為｜S｜,S={S1,S2,…,S｜S｜},則基因座j的信息熵定義為:其中,Hj(m)為第j個基因座的總體信息測度,Pij為S中第i個符號在j上的概率即Pij=nij/m,nij為在j上出現(xiàn)第i個符號總個數(shù).子種群平均信息熵定義為:子種群的平均信息熵越大,種群的分布性越好.(1)種間競爭機制定義4第k個子種群Abk的競爭力指數(shù)定義為:式中,maff(Abk)為Abk中所有抗體親和度的平均值,H(Abk)為Abk的平均信息熵,MITL(Abk)為Abk中所有抗體的最短路徑值MITL(MinimalvalueofTourLength).F(Abk)為Abk的競爭力指數(shù),它是反映種群親和度、多樣性、最短路徑值的綜合指數(shù).與其它子種群相比,若maff(Abk)、H(Abk)、MITL(Abk)越優(yōu),則Abk的競爭力指數(shù)值越大.l1,l2為相應(yīng)權(quán)重系數(shù),其自適應(yīng)變化公式如下:式(5)、(6)中,C1=C2=0.01,It為當(dāng)前進化代數(shù),Itm為最大迭代代數(shù).在It=1時,l1=1,l2=4.在進化初期,各子種群的MITL相差較大,l2取較大值可突出MITL對競爭力指數(shù)的影響;隨著進化的不斷進行,各子種群MITL的差距不斷減少,通過l1、l2自適應(yīng)變化,逐漸加大親和度均值和平均信息熵對競爭力指數(shù)的影響.Abk的競爭獎勵倍數(shù)Cbk公式如下:其中L為競爭獎勵放大系數(shù).由式(7)可知,F(Abk)越大,則Cbk也越大.隨進化過程趨于平衡點(各子種群的競爭力指數(shù)值相差不大)時,會出現(xiàn)協(xié)同的弱化和退化現(xiàn)象(Cbk相差不大),所以在進化中后期,將各子種群依據(jù)競爭力指數(shù)值按照降序來排序,并將Cbk公式改為:子種群Abk的F(Abk)越大,排位越靠前時,競爭獎勵常數(shù)hk值也越大(hk>0),因而Cbk也越大.(2)種內(nèi)競爭機制在克隆擴增之前將子種群Abk′中的抗體依據(jù)親和度大小按照降序來排序,并分為兩部分:Abk′(H)=[a1′,a2′,…,aH′],Abk′(L)=[a′H+1,a′H+2,…,a′H+L].H=L=m/2,a1′的親和度最大,a′H+L的親和度最小.為了減少計算量只選擇Abk′(H)中抗體克隆擴增.(3)基于種間競爭和種內(nèi)競爭機制的克隆擴增算子qiAbk′(H)中抗體的克隆擴增算子qi公式如下:式中,i為Abk′(H)中抗體所對應(yīng)的位置,抗體a1′的親和度最高,則i=1,克隆倍數(shù)最大.round(*)為取整,b取20.當(dāng)Cbk越大時,Abk′(H)中抗體的克隆擴增倍數(shù)也越大,Abk越有機會在競爭中勝出.2.3.3高頻變異算子為了提高算法的收斂速度,通過下式動態(tài)改變變異概率p.(2)高頻變異算子針對TSP問題,本文變異采用Inver-over變異算子.實驗已經(jīng)證明該變異算子優(yōu)于傳統(tǒng)的交叉算子,如:PMX,OX,CX等.2.3.4阿因子的k/k反應(yīng)前后aiSi(k)=Tsx(ai(k))=max{affinity(ai′(k)},然后Si(k)∪ai(k)->ai(k+1),ai′(k)表示第k個子種群中抗體ai(k)經(jīng)克隆擴增、變異后所得到的抗體.通過局部擇優(yōu)實現(xiàn)了子種群的壓縮,同時保證了子種群的最優(yōu)解不會變差.2.3.5改進的pso算法PSO算法是通過群體粒子間的協(xié)作與競爭產(chǎn)生的群體智能優(yōu)化搜索算法,由Kennedy和Eberhart受鳥群覓食行為的啟發(fā)于1995年提出.PSO參數(shù)結(jié)構(gòu)簡單,無需復(fù)雜的調(diào)整,但基本PSO也存在早熟收斂現(xiàn)象.PSO已經(jīng)應(yīng)用到函數(shù)優(yōu)化、信號處理、TSP問題等領(lǐng)域.(1)粒子選擇策略(1)最優(yōu)選擇法Abk的最優(yōu)抗體陷入局部最優(yōu),將Ct個最優(yōu)抗體都作為粒子.ElseAbk的最優(yōu)抗體未陷入局部最優(yōu),將Ct-1個最優(yōu)抗體都作為粒子.其中MITL(It,k)為當(dāng)前第It代時Abk的MITL值,MITL(It)為第It代時所有子種群的MITL值,Itp為局部最優(yōu)設(shè)定代數(shù).(2)隨機選擇法在Abk的次優(yōu)抗體中隨機選擇nb個抗體作為粒子.文獻通過理論分析和數(shù)字試驗表明,綜合兩種選擇方法選擇相應(yīng)的粒子,可以發(fā)揮兩者各自的優(yōu)勢,彌補各自的不足.(2)改進的PSO算法在PSO算法中,粒子群中的粒子在一個N維空間中搜索,粒子的位置表示問題的一個解.粒子通過不斷調(diào)整自己的位置X來搜索新解.每個粒子搜索到的最好解記作Pid,整個粒子群經(jīng)歷過的最好位置記作Pgd.每個粒子都有一個速度,記作V.式中,W為慣性權(quán)重,Vid表示第i個粒子第d維上的速度,限制Vid為[-Vmax,Vmax].C1,C2為加速系數(shù),一般取2.0.R1,R2為(0,1)之間的隨機數(shù).粒子移動的下一個位置為Xid表示第i個粒子第d維上的位置.通過引入交換子和交換序的概念,將式(11)進行改造應(yīng)用到TSP問題中.基本PSO算法中的粒子僅根據(jù)自身的個體極值和全局極值來更新速度和位置,并沒有考慮其它粒子的信息,因此在解空間的搜索是單向的.在本文改進的PSO(ImprovedPSO)算法中,將粒子群中所有粒子的路徑長度按升序進行排序,選取前h個粒子的信息來修正每個粒子下一次迭代的行動策略.這樣,整個粒子群在解空間的搜索是多方向性的,搜索過程更均勻,能有效提高算法的精度和全局收斂能力.重新構(gòu)造的速度算式如下:式(13)的參數(shù)說明:(1)慣性權(quán)值W采用以下遞減策略能在全局搜索和局部搜索之間取得較佳平衡,公式如下:式(14)中,Wstart=0.6,Wend=0.4,當(dāng)It=1時,W=Wstart,當(dāng)It=Itm時,W=Wend.(2)α,βj(α,βj∈)為隨機數(shù),α(Pid-Xid)表示基本交換序(Pid-Xid)中的所有交換子以概率α保留.式(15)中,Pgdh表示排序后第h個粒子的解,βj(PgdjXid)表示基本交換序(Pgdj-Xid)中的所有交換子以概率βj保留.由此可以看出,α的值越大,(Pid-Xid)保留的交換子就越多,Pid的影響就越大;同理,βj的值越大,(Pgdj-Xid)保留的交換子就越多,Pgdj的影響就越大.(3)基于IPSO的抗體多樣性改善機制當(dāng)It>Itd(Itd為多樣性操作代數(shù))且Ct>1時,每隔Iti代進行基于IPSO的抗體多樣性改善操作.流程如下:Step1根據(jù)粒子選擇策略選擇相應(yīng)的抗體組成粒子群,建立粒子記憶庫,初始化粒子的速度和位置.Step2用式(13)、(12)更新粒子速度和位置.Step3將上述粒子的路徑長度按照升序來排序,前三分之一的粒子保留,中間三分之一的粒子雜交,后面三分之一的粒子變異.(1)雜交操作選取中間三分之一的粒子依據(jù)雜交概率與前三分之一的粒子進行雜交操作,用產(chǎn)生的孩子粒子代替父母粒子,以保持子種群的粒子數(shù)目不變.其中,Xjd是中間三分之一粒子中第j個粒子第d維位置,Xkd是前三分之一粒子第k個粒子第d維位置.式中,│Vj│為速度長度,│Vk│第k個粒子的速度長度.通過遺傳交叉算子操作可以增加粒子多樣性,充分利用群體中優(yōu)良粒子的特性,加快群體的收斂速度.(2)變異操作變異操作選擇的是一種重新初始化的方式,即是對選中要進行變異的粒子,隨機按照一定的變異概率對部分維數(shù)進行初始變異,以保持和提高種群的多樣性,防止出現(xiàn)算法陷入早熟收斂.Step4計算當(dāng)代每個粒子的路徑長度值,若優(yōu)于其初始的路徑長度值,則更新粒子記憶庫.當(dāng)達到設(shè)定代數(shù)后轉(zhuǎn)到Step5,否則返回Step2.Step5使用粒子記憶庫中的最優(yōu)Ct-1(或Ct)個粒子更新子種群中Ct-1(或Ct)個相同抗體.若Ct-1(或Ct)個抗體中仍有Nr個沒有改變,則可以采用如下替換策略中的一個:(1)從一個隨機產(chǎn)生的規(guī)模為R的候選抗體群AbR中選擇Nr個親和度較高的抗體來取代.(2)對沒有改變的每個抗體采用Inver-over變異操作進行基因位的隨機互換,直到與原來的抗體不同(抗體路徑長度值不同).通過基于IPSO的抗體多樣性引入機制操作,使得Ct-1(或Ct)個路徑相同最優(yōu)抗體予以改變(優(yōu)化或加入隨機抗體),極大改善子種群中抗體的多樣性.2.4高層操作算子HCIA算法的高層操作是采用基于粗粒度模型的協(xié)同合作并行遺傳算法,這里的協(xié)同合作是對同一問題采用多個子種群獨立地進行演化并通過個體遷移等手段達到信息交流、合作的目的,這樣有利于各子種群共享進化的成果,同時給各子種群引進新的個體,有效避免早熟現(xiàn)象.高層操作算子如下:2.4.1選擇父節(jié)點2.4.2“子種群”的選擇策略在粗粒度模型中,遷移策略主要控制參數(shù)如下:(1)遷移選擇遷移抗體的選擇策略:(1)最優(yōu)抗體選取子種群中的最優(yōu)抗體,但在有些情況下,這種策略顯得太“貪婪”.(2)隨機選擇從子種群中隨機選取抗體.(3)“平均”抗體選擇具有平均親和度的抗體.(2)遷移規(guī)模按照遷移抗體的選擇策略選擇相應(yīng)的抗體,遷移抗體數(shù)即遷移規(guī)模為子種群抗體數(shù)的10%~20%.(3)遷移替換用選擇的抗體相互替代子種群中親和度最低的抗體.(4)遷移率遷移率決定了個體遷移的時間間隔,通常,遷移規(guī)模越大,遷移率就越小.本算法的遷移率Ith=20.2.4.3變異矩陣依照高層變異概率Pmh確定需變異抗體,采用基本位變異方法,即將需變異的抗體用隨機產(chǎn)生抗體來代替,以增加抗體的多樣性.2.4.4最佳保存處理經(jīng)過抗體遷移和變異后,采用了最優(yōu)保存策略,將原來子種群的最優(yōu)抗體予以保留,這樣可以防止算法運行中抗體出現(xiàn)退化,減緩收斂速度.3基于概率的全最優(yōu)收斂引理1文獻研究表明基于免疫克隆選擇策略算法的種群序列{A(n),n≥0}是有限齊次馬爾可夫鏈,并且以概率1收斂.定理1基于LOICSA的抗體子種群優(yōu)化解序列{A(n),n≥0,n為迭代代數(shù)}是有限齊次馬爾可夫鏈.證明與免疫克隆選擇策略算法一樣,LOICSA的狀態(tài)變化均在有限空間中進行,只是其矢量的分量是離散實數(shù),因此種群是有限的.由于A(k+1)=T(A(k))=TscTmcTccTl(A(k))(k為迭代代數(shù)),其中Tl,Tcc,Tmc,Tsc分別代表局部最優(yōu)免疫優(yōu)勢,克隆擴增,克隆變異,免疫選擇;Tl的操作是針對特定抗體的一個動態(tài)調(diào)整局部最優(yōu)過程,與k無關(guān);由引理1可知,Tcc、Tmc、Tsc也與k無關(guān),因此A(k+1)僅與A(k)有關(guān),即{A(n),n≥0}是有限齊次馬爾可夫鏈.定義5對于任意的初始分布均則稱算法以概率1收斂.定理2LOICSA是以概率1收斂于全局最優(yōu)解.證明上述算法Ab初始規(guī)模為m,克隆后中間種群的規(guī)模為Nm(通過LOICSA的相關(guān)算子操作后,得到優(yōu)秀抗體群m0′),初始種群中的全部近似解看成是狀態(tài)空間S1∶=Xm中的一個點,其中X為抗體子種群,而將中間種群中的全部近似解看成是狀態(tài)空間S2∶=XNm中的一個點,當(dāng)沒有必要區(qū)分S1和S2時,用S表示狀態(tài)空間,si∈S表示S中的第i個狀態(tài).用X*表示由f(x)(f(x)是X上的親和度函數(shù))在S2上取最優(yōu)值的所有抗體組成,X*={x∈Xf(x)=xmi∈aXxf(xλ)}.xλ為抗體xi克隆擴增并變異后的抗體集.記I={i︱si∩X*≠φ},設(shè)隨機過程{Ak}的轉(zhuǎn)移概率為,討論pij(k)的2種特殊情況:(1)當(dāng)i∈I,j?I時,由免疫選擇可知,下一代抗體是取本代抗體和其克隆變異后最優(yōu)抗體這兩個中的較好者,保證抗體不會變差,所以pij(k)=0.(2)當(dāng)iI,j∈I時,pij(k)≥0.質(zhì)知:有因此:則于是有則可證明式(18)概率1收斂.定理3HCIA是以概率1收斂于全局最優(yōu)解.證明不妨設(shè)問題P為HCIA優(yōu)化問題,f*為其全局最優(yōu)適應(yīng)值,即f*=max{f(x)x∈P},則可令I(lǐng)t時刻總體進化種群表示為NN個子種群的集合{Ab1(It),Ab2(It),…,AbNN(It)},優(yōu)秀抗體集合為{f1*(It),f2*(It),…,fs*(It)},假設(shè)Z(It)=max{f1*(It),f2*(It),…,fs*(It)},則待證根據(jù)LOI的保留與更新規(guī)則可知,在進化過程中若某子種群收斂于f*,則肯定全局收斂于f*,即有HCIA算法全局收斂的概率大于其任意子種群收斂于全局最優(yōu)解的概率.對于任意的子種群Ab*,有HCIA算法的低層LOICSA以概率1收斂于全局最優(yōu)值(定理2已證明),而根據(jù)HCIA算法的高層算子及精英保留規(guī)則可知,高層操作不影響低層LOICSA的全局收斂性.由只要存在某一種群Ab,其種內(nèi)最優(yōu)適應(yīng)值等于全局最優(yōu)適應(yīng)值f*,即f*=max{f(x)x∈Ab*}而且HCIA中的成熟種群即為趨于收斂的種群.因此若Ab*在進化過程中成為成熟種群,則趨于收斂到其種內(nèi)最優(yōu)解f*,即有又對于子種群Ab*,Itli※m∞p(Ab*)=1.綜上所述,有4模擬實驗4.1算法測試結(jié)果為了更好地說明HCIA算法的有效性,選用國際上通用的TSPLIB測試庫中多個實例進行測試.試驗仿真環(huán)境:WindowsXP系統(tǒng),1.66GHZ主頻的INTEL處理器,760MB內(nèi)存,仿真軟件MATLAB7.0.實例1是單種群IDIA(ImmunodominanceImmuneAlgorithm)、單種群LOIC-SA算法、低層無種間競爭高層只有經(jīng)典遺傳算法的多種群MLOICSA算法(Multi-populationLOICSA)、HCIA四種算法針對Tsp225進行10次獨立測試,具體數(shù)據(jù)見表1.四個算法的截止代數(shù)為城市數(shù)的3倍(675代),變異初始概率Pm=0.78.LOICSA算法抗體數(shù)為城市數(shù)225,MLOICSA、HCIA的抗體種群規(guī)模為40*10(子種群有40個抗體,共有10個子種群).IDIA的數(shù)據(jù)來自文獻.圖3是針對Tsp225問題各算法收斂過程對比圖,從圖3可知,HCIA算法的收斂速度及最優(yōu)解均優(yōu)于IDIA、LOICSA、MLOICSA算法,其原因在于協(xié)同進化及多子種群的應(yīng)用.4.2hci算法的計算時間表2為子種群中抗體數(shù)m對HCIA性能影響的分析.表2中種群規(guī)模(PopulationSize,PS)m′=m*NN,NN為子種群個數(shù).T為10次測試結(jié)果的平均運行時間,單位是s.從表2可知,無論m取何值,HCIA的解均明顯優(yōu)于MLOICSA.總體而言,隨著抗體個數(shù)增加,算法性能尤其是均值有所提高,但計算時間也增加較多,因此,m取30或40時較優(yōu).從表2也可知,由于抗體多樣性改善以及協(xié)同進化機制的運用,HCIA算法的計算時間多于MLOICSA算法.4.3hci算法性能比較表3為子種群個數(shù)NN對HCIA性能影響的分析.從表3可知,無論NN取何值,HCIA的解均明顯優(yōu)于MLOICSA.總體而言,隨著子種群個數(shù)增加,算法性能尤其是均值有所提高,但計算時間也增加較多,因此,NN取10時較優(yōu).5hci算法性能分析本文將免疫、協(xié)同進化、分層、PSO等概念應(yīng)用于TSP問題,提出了HCIA算法.通過對若干個子種群進行基于協(xié)同競爭的低層LOICSA算法操作以及基于改進微粒群算法的抗體多樣性改善操作