9.3.4  实验结果与分析

为验证本章算法改进后的优越性，采用本章改进算法对8.1节提取方法生成的特征向量进行融合实验。设定算法的初始种群规模为50，初始交叉概率为0.9，第二代交叉概率为0.6，初始变异率为0.1，第二代变异概率为0.001，停止准则设为迭代次数达到200代。运行10次之后，激励度最高为95.33，此时融合后的特征选为复杂度、长宽比、局部平稳性、Hu不变矩中的ϕ₃、ϕ₄、ϕ₆、ϕ₇。将本章算法与基于遗传算法和基于免疫遗传算法的特征融合方法进行比较，为了便于对比分析，参数选择同上。绘制适应度与迭代次数的变化曲线如图9-6所示。

从图9-6可以看出，遗传算法在迭代过程中多次出现适应度较长时间停留在一个数值上的情况，与其他两种算法相比，遗传算法适应度的变化速度较慢，这说明种群向一些相同或相似的串收敛。另外，遗传算法收敛到局部最优解，而不是全局最优解，即早熟现象。也就是说在遗传算法进化过程中，出现了一个适应度大大超过当前种群平均适应度的个体，在选择、交叉和变异算子的作用下，使得这个在种群中占据绝对的优势，搜索解的范围迅速变窄，从而使算法较早的收敛于局部最优解。

图9-6 收敛曲线

免疫遗传算法在第60代左右搜索到了全局最优解，而遗传算法是在第100代左右才搜索到局部最优解，说明与遗传算法相比，免疫遗传算法不仅有较快的收敛速度，而且能有效克服遗传算法中出现的早熟收敛现象，提高了全局搜索能力。这是由于记忆细胞的引入使得每次交叉和变异的父代抗体都可以从性能良好、适应生存的抗体中挑选，免疫遗传算法能以很快的速度收敛于全局最优。从曲线的收敛程度可以看出，使用免疫遗传算法得到的抗体的亲和度是不断上升的，这说明抗体不断朝着优良方向进行进化。

本章研究提出的改进免疫遗传算法，在第30代左右搜索到了全局最优解。“精英选择”策略把最好的个体作为精英直接带入下一代个体中，而不经过任何改变，保持了种群中个体染色体的多样性，提高了全局搜索能力。“精英选择”策略也能避免算法对冗余空间的过多搜索，加快了搜索速度。在交叉率和变异率中加入自适应策略，使得交叉操作时，组合两个个体中的优良基因产生新的后代，可以在种群进化期间加快搜索速度；变异操作时保持种群中基因的多样性，提高了算法的计算速度和效率，使算法在保持种群多样性的同时保证了算法的收敛性，确保快速收敛于全局最优解。

将各算法融合得到的主要实验数据汇总在一起，见表9-2。prob为使用融合特征和支持向量机方法识别目标的平均成功率，IMEAN为寻找最优特征组合所需要的平均迭代次数。

表9-2 各算法融合效率评价

表9-2的数据可以更直观地证明上述结论。算法在第30代左右就能够收敛到最优解，这说明本章研究提出的改进免疫遗传算法有较快的收敛速度和不易出现早熟现象的优点。