TELKOM NIKA , Vol.14, No .2, June 20 16 , pp. 647~6 5 4   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v14i1.2753    647      Re cei v ed  De cem ber 2 1 , 2015; Re vi sed  March 18, 20 16; Accepted  April 3, 2016   A Self-adaptive Multipeak Artificial Immune Genetic  Algorithm      Qingzh a o Li 1  ,  Fei Jiang 2,3 *   1  School of F o reig n La ngu ag e s , Suzhou Un iv ersit y , Suz hou  234 00 0, Anhui,  Chin a   2 Labor ator y   of Intelli ge nt Information Proc es sing,  Suzh ou U n iversit y , Suzh ou 23 40 00, An hui, Ch ina   3 School of Infor m ation En gi ne erin g, Suzho u  Univers i t y , Suz hou 2 3 4 000, A nhu i, Chin a   *Corres p o ndi n g  author, e-ma i l : fei w u h an@ 1 26.com       A b st r a ct   Genetic alg o rit h m  is a glo b a l  prob abi lity  se a r ch  al gor ith m  d e vel ope d  by si mu lati ng th e  bi olo g ica l   natura l  s e lecti o n a n d  g enetic   evol ut ion   mec h anis m  an d  it h a s exc e ll ent  gl oba l se arch  a b ility, h o w e ver, i n   practica l ap pl ic ations, pr e m at ure co nver gen ce occurs  eas il y in the  ge neti c  alg o rith m. T h is pa per  prop o s es  an se lf-ada ptiv e multi-p eak  i m mu ne  gen eti c  alg o rith m (S MIGA) and thi s  alg o rith m i n tegrates  i m mun i ty  thoug ht in the  biolo g y i m mu ne system i n to the evol utio nary proc ess of genetic  a l g o rith m, uses self- ada ptive dy na mic vacc in atio n and pr ovi des  a dow ntime cr i t erion, the se le ction st rategy  of immu ne vac c ine   and  the  co nstruction   meth od  of i m mu ne  op erators s o   as t o  pr o m ote  the   pop ulati o n  d e v e lo p tow a rds  the   opti m i z at ion  trend  an d s uppr ess the  de ge n e racy  phe no meno n i n  th e o p timi z a ti on  by  usin g the  feat ur e   infor m ati on  in  a sel e ctive  an d  purp o siv e   ma nner. T h e si mu latio n  ex peri m e n t show s that t he  met hod  of t h is  pap er  ca n better  solv e  th e o p timi z a ti on pro b le m of mu lti- peak  functi ons , reali z e   glo b a l  opti m u m  se ar ch,  o v e r come  th e p r e m a t u r i t y p r o b l e m  o f  th e  a n t i b o d y  p o p u l a t i o n  an d  im p r o v e  th e  effe cti v e n e ss and  robustn ess of opti m i z at ion.     Ke y w ords : Genetic Alg o rith m, Artificial Immune Syste m , Multip eak F uncti on     Copy right  ©  2016 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  With the rapi d develop me nt of informat i on tech nolo g y , intelligent comp utation  method s  have b een  ap plied in  an  in cre a si ng  num ber  of fi eld s  a nd the  wid e ly-used i n tellig ence al gorith m s  inclu de g ene tic alg o rithm,  ant  colo ny algorith m  an d immu ne al gorithm  an d  so  on. G ene ti c  algorith m  is a n  evolutiona ry algorithm with per vasive  influen ce formed at the very first begin n i ng  and its ba si c princi ple is  to exchan ge  information  throug h the geneti c  ope rations  su ch  as  cro s sove r, duplication an d mutation in orde r to obtain the n ear optimu m  solution to  the   optimizatio n  probl em [1]. Biology im mune  syste m  is a hi ghl y-parallel inf o rmatio n lea r ning   system. It ca n self-ad aptively re cog n ize  and  elimi nat e the a n tigen ical fo reig n o b ject s fro m  the   body an d it  has  adju s tm ent ability su ch a s  m e mo ry and l earni ng. Inspi r e d   by the intelli gent  behavio rs of  the biology  immune sy stem, artifi ci al immune a l gorithm i s  a  rando m se arch   optimizatio n algorith m   int egratin g cert aint y and  randomi c ity [2]. At prese n t, intelligen ce  algorith m s h a ve be en  wi dely u s ed i n  machine  le arnin g , patte rn re co gnition , robot  beh a v ior   simulatio n , intelligent troub le diagno si s, manag em e n t scien ce a n d  social  sci en ce and they are  appli c able to  solve compli cated non -line a r and m u lti-d i mensi onal  sp ace o p timizati on pro b lem s .   In as e a rly a s  the 194 0s, t he sch o lars h a ve  bee n re searchin g ho w to use th e compute r   to simulate  bi ology technol ogy. In the e a rly 197 0s, P r ofesso r  Holl and fro m  Michigan  Unive r sity,  USA, ha s  dra w n i n spiratio n from  bi ologi cal  gen etics  and  evolution a ry me ch ani sm an d p r op o s e d   geneti c  algo ri thm, which i s  a sea r ch m e cha n is m b a sed on the th eory of natural evolution a nd  whi c h is an  optimization  method ap plica b le  for  the comp uta t ion of com p licate d  syst em;  however,   genetic algori thm has  a poor local  search ability.  Therefore, how t o  preserve the  excelle nt indi viduals  and t he po pulation  diversity  ha s been  a difficulty in the ge netic al gorith m   [3]. After the 197 0s, p e o p le have  g r a dually r eali z e d  the e n light enment  of bi ology immu n e   mech ani sm i n  developi ng  new  comp utational intelli gen ce. As a  new alg o rith m inspi r ed from   biology immu ne syste m , artificial immun e  algorit h m  (AIA) focuses  on simul a ting  the immunol ogy  with comp utational and mathemati c al   model.  It si mulates  the biology  imm une system  an d   c o ns tr uc ts  th e  c o rr es p ond in g  in fo r m atio n  p r oc e ssi ng algo rithm s  by lear nin g  it s st ru ct u r e,   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  647 – 65 4   648 function s and  features. By integratin g the ideas  of GA  and AIA, immune ge netic algorithm hel p s   the antib ody  to  continu o u sly  sea r ch  and  evolve  in the   solu tion spa c e t h rou gh i m m une  operation s  an d evaluate s  the matchi ng  degree bet we en the antibo d y and the an tigen as  well as  the simil a rity  betwe en the   antibodi es  ba sed  on th e af f i nity until the  optimal  soluti on i s  ge ne rat ed.  Ho wever, the  basic imm u n e  genetic al g o rithm ha s sl ow and  stagn ant sea r ch proce s s bro ugh t by  the static de si gnated  cro ssover, mutatio n  prob ability and vaccin e [4].    This pa per f i rstly descri b es the prin ci ples  of ba si c geneti c  al gorithm an d  artificial  immune  algo rithm. Then  based o n  the sum m ary  of  the ch ara c teri stics an d  sho r tco m ing s  o f   these  two  al gorithm s, it i m prove s  th e  algo rithm by  co mbinin g  i mmunol ogy and gen etics  and   prop oses  an  self-adaptiv e multi-p e a k  immune  g enetic  algo ri thm. Finally, the num eri c al  simulatio n  of the test function demo n stra tes that  this algorithm can  obtain glob al optimal sol u tion   effectively an d verifies th e  effectivene ss and p r a c ti cal i ty of this improved al gorith m  in the pa p e r  so that it prov ides a  solutio n  to t he multi-pea k functio n  optimization  probl em s.      2. Genetic  Algorithm   Geneti c  algo rithm (GA)  si mulates th e repro d u c tion,  cro s sove r an d geneti c  mu tation in   natural  sele ction an d n a tural inhe ritan c e  and it i s   a ra ndomi z ed  se arch al gorith m  by referrin g to   the natural se lection a nd g enetic m e cha n ism in th e bi ologi cal world .  It takes the  encodin g  of the   deci s io n vari able a s  the o pera nd a nd t he obj ective functio n  value  as the  se arch inform ation  and   adopt s m u ltiple  sea r ch  p o ints to  pe rf orm  po ssi bility sea r ch. Th e g r oup  of  origin al  soluti on   rand omly ge neratin g fro m  solving  the  probl em s  wit h  GA is calle d pop ulation  and the  probl em- solving  pro c e ss  sta r ts fro m  the sub-se t. Each i ndivi dual of the  p opulatio n is  a sol u tion to  the   probl em and  the enco d in g string o b tai ned from  p e rforming bi nary coding to the individual  is  calle d ch rom o som e . The  chromo som e  is mea s ured  by the fitne ss. Th e fitness fun c tion i s  a   function  to m easure  the  e n vironm ental  adaptatio n of  every in divid ual a nd it s v a lue i s  th e m a in  basi s  to  re ali z e  “survival o f  the fittest”.  Acco rdi ng to  the fitness,  select   ce rtain i ndividual s fro m   the pare n t g eneration an d the offspri ng gen eratio n and ge nerate the next generation  of   chromo som e  popul ation  whi c h i s   more  self -ad aptive to the enviro n me nt. After ce rtain   gene ration s,  the algo rithm  conve r ge s t o  the optimal  solutio n  or t he second -o ptimal sol u tio n  to  the probl em [5]. To map the optimal sol u tion sp ac e to GA spa c e i s  indi cated a s  Figure 1.          Figure 1. Map the optimization  p r ob le m s p ac e  to  G A  s p ac e      Selection, cro s sover an d m u tation are th e ma in thre e operators in  GA and they simulate   the survival o f  the fitt est and the geneti c  pro c e ss.   (1) Sele ction   The first  step  of selectio n  is to  cal c ulat e the fitne ss.  Every indivi dual in  the  set to be   selected has a selection probab ility, whi c h depends on the fit ness and di stribution of the  individual in the pop ulatio n and u s e s  the pro babilit y  ratio of the fitness of ev ery individual  to   determi ne th e  po ssi bility to  pre s e r ve its o ffspring.   A s sume th at the   popul ation  si ze is  N  and  the   fitness of the  individual   i   is   i f , then the probability  s P  for the individual  i  to be s e lec t ed is :    1 (1 , 2 , , )  i N s i i f Pi N f                                                                                                      (1)    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       A Self-adapti v e Multipe a k  Artificial Immune Ge netic  Algorithm  (Qi ngzhao Li )  649 Obviou sly, th e individual with a higher selectio n pro b ability has a highe r po ssi b ility to  be  sele cted  an d  the  pro babili ty to be i nhe rited to th e p o pulation  in th e next  gene ration i s   dire ct ly  prop ortio nal to the fitness  of this individ ual. Pr opo rtio nal sel e ctio n is also call ed  Roulette Wh eel  Selection. It divides the roulette into  N  portion s ba se d on the sele ction proba bil i ty  s P . When  rotating the roulette in the  sele ction, if a ce rtai n poi nt falls into the ith se ctor,  then sele ct the  individual i. T he di stributio n ratio  of the f i tness value o f  the Roulette  Whe e l Sele ction is indi cat e d   as Figu re 2.         Figure 2. Dist ribution  ratio  of fitne ss valu e of roulette  whe e l sel e cti o n       (2) Cro s sov e r   Cro s sove r is  to excha nge   the gen es in  the  sa me p o s ition in  two  different in dividual s to  be u s ed to  repro d u c e the  next gene rat i on an d ge ne rate n e w i ndi viduals [6]. In  other  wo rd s, it  take s the  two  individu als from the  po pul ation afte r  sel e ction  op erati on a s  th e  cro s sover obje c t s ,  rand omly ge n e rate s a  crossover point  a nd pe rfor m crossover on  some g ene s in  the rig h t sid e  of  the cro s sove r point, as indi cated in Fig u re 3.      Figure 3. Cro s sover op erator      (3) Mut a tion   Mutation i s  to re place th e gen e value  of ce rtain lo cu s in the  e n co ding  strin g  of th e   individual chromosome  with other allel e  gene in the  same lo cu s, prod uce mut a tion at a sm all  prob ability or step length  and form a  new indivi d ual. The sim p lest way is to chang e th e   nume r ical value of a certai n position in the st rin g . For the binary en codi ng, interchang e 0 and 1:  cha nge 0 to 1  and 1 to 0.  It is an a u xiliary metho d  t o  gen erate n e w in dividual s an d it dete r mines the lo cal se arch   ability of GA. The  com b ination of  mutation operator, se lection operator and  crossover operator  help s  GA ha ve the local  rando m se a r ch a b ility and preve n t local  conve r g ence. Gene rally  spe a ki ng, low-frequ en cy mutation ca n  avoid t he possible mi ssi ng of the important an d single   gene. Th e co mmonly-u s e d  mutation op e r ation in clu d e s  ba si c bit m u tation, uniform mutation a nd  binary mutation [7].    Geneti c  alg o rithm is e a sy  for pa ralleli za tion pro c e s si ng an d its fit ness fun c tion  is not   rest ricte d   by su ch con d itio ns  a s  contin u i ty  and  differe ntiation an d it has  an exten s ive ap plication  scope;  ho we ver, GA i s   ea sy to  get trap ped i n  lo ca l  o p timal  solutio n  an d it s gl ob al sea r ch a b il ity  is also very limited.      3. Artificial Immune Algo rithm  Biological im mune  syste m  ha s the   feature s   su ch a s  imm u n e  mem o ry,  antigen   recognitio n  a nd preservati on of antibo d y divers ity. By learning  from the a bove-m ention e d   feature s , im mune  algo rithm ge nerate s  a  co m put ation mo del  by integ r ati ng en gine eri ng  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  647 – 65 4   650 appli c ation.  Comp ari ng t he imm une  algorith m   wit h  the  comm on  sea r ch m e thod s to  so lve   optimizatio n  probl em s, the affinity betwee n   antige n  and antibo d y  as well a s   betwe en anti body  and a n tigen  corre s p ond t o  the matchi ng bet wee n   the obje c tive  function  of the optimization   probl em a nd  the optimal  solution a s   we ll as b e twe e n  the solution  and the  obje c tive functio n .   Artificial imm une algo rith m includ es  such o perat io ns a s  vaccin e extraction,  vacci ne ino c ulation   and va ccine  sele ction [ 8 , 9]. The  step s to solve opti m ization  prob lems  with im mune  algo rith m   are cl assified  as follo ws.    Step 1: Identify the proble m , take the  given  obje c ti ve function a nd co nst r aint s a s  the   antigen of th e algo rithm, namely to e x tract t he effective inform ation of the  probl em to b e   optimize d , the obje c tive function of the  optimal pr obl em and the d e scriptio n of the co nstraint s.   Step 2: Gen e rate the a n tibody pop ula t ion,  rando ml y generate t he origi nal a n tibody  popul ation of  a certain  scal e. The  antibo d y pop ulatio n  is  rep r e s ente d  with  bina ry  encodin g  an d  it   define s  the a n tibody as th e feasibl e  sol u tion of  the objective fun c tion in the co n s traint s.   Step 3: G e n e rate  immu n e  mem o ry  cell, cal c ul ate  the  dire ct a ffinity betwee n  ea ch   antibody a nd  antigen  re spe c tively as  wel l  as th e  si milarity between  the antib odie s  an d p r e s e r v e   the antibody  with a bigg er  fitness valu e as the mem o ry cell.   Step 4: Sele ct the antibo d y and  cal c ulat e the a ffinity, cal c ulate th e  con c e n tration  of the   antibodi es  wit h  simil a r fitne ss i n  the  cu rrent antibo d y popul ation a s  well a s  th e a ffinity or fitness  of every solut i on. Decre a se the sele ctio n prob ab ility of the individual with high  con c e n tration  and  increa se the  sele ction p r o bability of the individual wit h  low con c ent ration.   Step 5: Differentiate the m e mory  cell s, sort  th em b a s ed  on the  af finity, put the antibody   with high  affinity to the antigen into the  memory  cell , take the first few antibod ies to form t h e   memory ware hou se an d prese r ve the cu rre nt optimal feasi b le solution.   Step 6: Evolve and upd ate the antibody wi th crossover a n d  mutation operato r s,  inclu d ing th e  antibo d y a c cele ration  an d supp re ssi o n  an d g ene rate ne w  anti body p opulat ion.  Repl ace the i ndividual  of low fitne s s value with  that o f  high fitne ss  value in the   memory  cell  an d   form the next-gen eration a n tibody  popul ation. Eliminate the antib odie s  with lo w affinity of the  antigen a nd h i gh co ncentra tion and form  a new g ene ra tion of popula t ion.  Step 7: Ju dg e wh ethe r th e termin ation  con d ition s  a r e  satisfie d, namely to fi nd the   optimal  soluti on o r  to  rea c h the m a ximu m iteration s . I f  so, outp u t th e optimal  sol u tion; othe rwi s e,  contin ue Step  3.  The ba sic flo w chart of artif i cial immu ne  algorith m  is i ndicated a s  Figure 4.           Figure 4. Flowchart of ba sic artificial im mune alg o rith m      4. Process o f  Self-a dap t iv e  Multipeak  Immune Genetic Algo rithm   Artificial imm une sy stem can more bett e r en su re tha t  algorithm i s  not easy to  fall into   local  optimal  solution due to its unique antib o d y di versity maint a ining  me cha n ism  duri ng t h e   sea r ch p r o c e ss. T he mai n  idea i s  to ad opt the  dyna mic extra c tio n  vaccine  me thod to avoid  the   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       A Self-adapti v e Multipe a k  Artificial Immune Ge netic  Algorithm  (Qi ngzhao Li )  651 disa dvantag e   of slow conv erge nce spe e d   resulted  fr o m  the  effectivene ss of  static va cci ne i n  t he  pro c e ss  of evolution. The  selectio n upd a t e me ch ani sm based on t he co ncentration is a dopte d  to  repla c e the  selectio n repli c ation b a sed on the fit ness in terms of the origi nal g enetic al gorit hm,  thus maintai n ing the diversity of solution grou p.  The self-ada ptive adjustin g  crossover pro babili ty  and mutatio n  prob ability gu ides the  se arch p r o c e ss to wards th e glo bal optimi z ati on [10, 11]. The   step s of algorithm in this paper a r e a s  follows:     Step 1: Encode in view of cha r a c teri stics of  questio n s  to be solve d  with the pu rpo s e to  gene rate th e  origi nal  pop ulation. Set  su ch  parame t ers a s  the  crossove r  pro bability  c p , the  mutation probability  m p , the populatio n  size  N , the binary en co din g  length  L , the max  evolution ge neratio n  T , th e medium in dividual num ber of ge net ic ope ration  M , and the   con c e n tration  thresh old val ue  .   Step 2: Take  the given o b jective fun c tion  and  con s traint co nditio n  as the a n tigen of   que stion s  to  be solved to  gene rate  ori g inal a n tigen  gro up. Rand omly gen erat e  N  individu a l   popul ations a nd extract  M  i ndividual s fro m  mem o ry  wareh o u s e to   form the  o r ig inal a n tigen  grou p, in whi c h,  M  is the nu mber of indivi dual s in the memory ware hou se.   Step 3: Calcu l ate the con c entration of a n tibody  v c .    1 1 N vv w w ca c N                                                                                                                                 (2)    In whic h:  1 0 vw vw ay ac ot he rwise ,   is the dete r min ed threshold  value.  vw ay  is  t h e affinity   betwe en anti body  v ab  and ant ibody  w ab .  Step 4: Extract va cci ne s and  calculat e ea ch  indivi dual’ s  fitne s s value i n  the  cu rrent  popul ation to  find out the  optimal in di vidual, and  take it s all  g ene s a s  va ccine  V . Set  M   antibodi es  wi th fitness op timization i n   stored pop ulation  of ea ch gene ratio n ,  then  * KM   antibodi es   in  total are reta ined in  recent  gen eratio n  K  to form  the o p t imal antibo d y  grou p. Th e   prob ability of each gen e le vel of each a n tibody is:     * , 1 1 * KM ij j j pa KM                                                                                                                           (3)    Take   j k  with max pro babil i ty  ,1 , 2 , , i pi L  in  such allelic  g e ne a s  th e va cc ine  segm ent in such all e lic ge ne, t hus finall y  extracting the vaccine  12 (, , , ) L Vv v v .  Step 5: Va ccination,  sele ct antibody  to  be  vaccinat ed from th e  previou s  gen eration   grou p a nd  g enerate n e w immun e  in d i viduals by e x chan ging  th e ge netic co de valu es. T he  sele ction ma nner of the g enetic  segm e n t is as follo ws:    1 i i L j j p q p                                                                                                                                         (4)    i q  is the prob ability of each vaccine  se gment sele cted and  L  is the length  of the   geneti c  se gm ent.  ,1 , 2 , , ij L .   Step 6: Pop u lation u pdat e, the follo wing way is  adopte d  to i m pleme n t the group   updatin g ba sed on the con c entration:     () () () 1 () ()   sv f it v f it v pv c M ax fit v Max f it v                                                                                      (5)    Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  647 – 65 4   652 In which,  an d   belong s to adju s table  para m eters b e twee n 0 an d 1, and  () s pv rep r e s ent s th e sele ction  p r oba bility of  antibody  v ,  () f it v  i s  the  fitness value  of nu mber  v   antibody,  () M a x fit v  is the max fitness of the antib ody, and  v c is th e antibody  v ’s  c o nc en tr a t io n.  Selec t   M optima l  individual s a c cordi ng to th e co ncentrati on of antib od y from high to  low  to form a  ne w po pulatio n  (1 ) Xt , thus the  proportio n  of o p timal individ uals i n  the p opulatio n   can be increased to improv e the local  search ability.  Step 7: Self-ada ptive cro s sover an d muta tion ope ration, self -a daptively sel e ct the   cro s sove r an d mutation p r obability acco rding to the  di versity of pop ulation. Imple m ent crossov e r  towards M indivi dual s ba se d  on the p r obability  c p  to form the  popul ation  2 () X t , then   respec tively implement mutation towards   M individual s in  the  pop ulation  2 () X t  ba se d on  th e   probability  m p  to form popul ation  3 () X t .  Step 8: Te rm ination te st, if termin ation  cr ite r ia  has b een m e t, out put the gl oba l optimal   s o lution s o  far, otherwise, return to Step 3.       5. Numerical  Optimizatio n  Experimen t  and An aly s is  To test the  effectivene ss  o f  the algo rith m pro p o s ed i n  this p ape r i n  term s of th e sol u tion   of  to solve  Multipea k opt imization p r o b lem, t he typical Multipe a k  functio n  is optimize d . See  following formula for specific  desc r iption of tes t  func tion:    2 2 2 ( ( 0.08 ) / 0. 854 ) 6 3 / 4 sin ( 5 ( 0.05 ) ) , [ 0 , 1 ] ln x fe x x                                              (6)    Functio n   f  has five peak val ues  with n o n - uniform  dist ribution a nd n o n -unifo rm altit ude.   Optimal value s  of these fun c tion s are diff icult to sea r ch with gen etic algorithm.   Antigens in th e expe riment  are  seve ral  p eak value s  of  the fun c tion t o  be  solve d ,  and the   antibody i s  th e inde pen den t variable  x  of the obtai ned  p eak val ue, a n d   x  is re pre s e n t ed by the  binary st ring  with the lengt h of 15. The para m eter  se tting of two kinds of alg o rit h m are  sho w n in  Table 1. The  experim ental  comp utationa l  result s are shown in Figu re 5 and 6.       Table 1. Para meters of Two Algorithm   Algorithm  Cr ossover   probabilit y   c p   Mutation  probabilit y   m p   Concentration   threshold value    Grou p  size   N   Memory  cell  length  Genetic algorith m   0.07  0.02    50    SMIGA  0.75  0.15  0.85  50  Variable                 G=100                                                   G=2 00                                                  G=3 00      Figure 5.  Re sults of ge net ic algo rithm       From a bove  Figure 5 an d  Figure 6, we ca n  see th at, this SMIGA algorithm  can  still   maintain  con v ergen ce  re sult in the ca se that  the evolution ge ne ration is g r ad ually increa sed,  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       A Self-adapti v e Multipe a k  Artificial Immune Ge netic  Algorithm  (Qi ngzhao Li )  653 and elem ents in the memory warehou se  eventually  converg e s to  each pea k value. The rea s o n   lies in that in  the process  of search, S M IGA  can ch ange the le n g th of the memory cells  and   store th ose n e w antib odie s  non -si m ilar to its orig in al antibodi es,  thus ma king  such algo rithm   more  effectively find total extreme valu es. Ba sed o n  the evaluatio n and  analysi s  in  su ch term s  as the functio n  conve r ge nce spe ed, abili ty to  search t he extreme value and the  robu stne ss, with   better robu st ness, the  alg o rithm p e rfo r mance in  thi s  pape r  sho w s larg er a d vant age to  better  find   each pe ak v a lue of Multi pea k fun c tion , thus c an b e  su ccessfully  applie d to M u ltipea k fun c tion  optimizatio n probl em s.             G=100                                                      G=200                                                    G=300       Figure 6. Re sults of SMIGA algorithm       6. Conclusio n   No wad a ys, i n telligen ce  a l gorithm s  ha ve bee n u s e d  mo re  and  more exten s ively in   nume r ou s fiel ds  of scientifi c  resea r ch a nd en gine eri ng p r a c tice s  and a n  in cre a sin g  nu mbe r  of   peopl e be gin  to pay atten t ion to them.  By referring  to the immu ne matu ratio n  me chani sm  of  biology immu ne system a nd int egratin g genetic al g o rithm, this p aper h a s p r o posed an sel f - adaptive m u lti-pea k imm une g eneti c  algo rithm,  whi c h  signifi cantly en ha nce s  the  gl obal  conve r ge nce  of the al go rithm a nd th e a c cura cy   of the glo bal  extremum   by adju s ting  the  cro s sove r an d mutation p r obability and  dynamically gene rating v a ccine. Th e  perfo rman ce  test   function h a s  sho w n that th is algo rithm h a s a c hiev e d   better effect s  in solving m u l t i-pea k fun c tion  optimizatio n probl em s.     Ackn o w l e dg ements   This work wa s su ppo rted b y  the Universi ty  Natural Sci ence Proje c t of Anhui Province  (Grant No. KJ2014Z D3 1).       Referen ces   [1]  Xu eso ng Y an,  Qing hua  W u , Can  Z h a ng, e t  al. An  Impr o v ed Ge netic A l gorithm  an d Its Appl icati on.   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2012; 1 0 (5): 1 081- 108 6.   [2]  Mlun gisi D u ma ,  T s hilidzi Mar w a l a, Bh ekisi p ho T w al a, Fulufhel o Nel w a m ond o.  Partial Imputatio n of   Unse en R e cor d s to Improve  Classific a tio n  u s ing  a H y br id  Multi-la ye re d A r tificial Immun e  S y stem a n d   Genetic Alg o rit h m.  Appli ed So ft Comp uting . 2 013; 13( 12): 44 61-4 480.    [3]  Soed ib yo So ed ib yo, Heri Sur y oatmoj o ,  Imam   Ro ban di,  et a l . Optimal  D e sig n  of  H y dr oge n  Based  W i n d   Microh ydr o  usi ng Gen e tic Al gorithm.  T E LK OMNIKA Indo nesi an Jo urna l   of Electrical  Engi neer in g .  201 2; 10(6): 13 09-1 318.     [4]  VS Aragó n, S C  Esqu ivel, C A  Coe llo. An  Immune  A l gor ithm  w i th P o w e r Redistri buti o n for Solv in g   Econom ic Disp a tch Probl ems.  Informati on Sc ienc es . 201 5; 295(2 0 ): 609- 63 2.  [5]  Ketan Di nkar  Sarod e , V Ra vi Kumar, BD  Kulk ar ni. Emb edd ed Mu ltipl e  Shooti ng Met hod olo g y  in  a  Genetic Alg o rit h m F r ame w ork  for Parameter  Estimati on a n d  State Identific ati on of C o mpl e x S y stems.   Che m ic al En gi neer ing Sci enc e . 2015; 1 34(2 9 ): 605-6 18.   [6]  Karthik Ba lasu brama n ia n, Ba sil Jac ob, K Pri y a, K  S a n geet ha, N R a jas e k a r, et  al. Critic a l  Eval uatio n of   Genetic Alg o rit h m Based F u e l  Cell Par a mete r Extractio n .  Energy Proc edi a . 2015; 75( 8): 1975- 198 2.   [7]  P Victer Paul, N Moganar an gan, S. Samp ath Kumar,  et al. Performanc e Anal ysis ov e r  Popul ation   Seed ing T e ch niq ues of the  Permutatio n -C ode d G enetic  Algorit hm: An empiric a l Stud y Bas ed o n   T r aveling Sal e sman Prob lem s .  Applie d Soft Co mp uting . 2 0 15; 32(7): 3 83- 402.    Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 2, June 20 16 :  647 – 65 4   654 [8]  Mahmo ud M  El-Sher bin y , R a shi d  M Al ha mali. A H y brid Particle S w arm Algo rithm w i t h   Artificial  Immune Le arn i ng for Solvi n g the F i xe d C harg e  T r ansportation Prob le m.  Comp uters  & Industrial   Engi neer in g . 2013; 64( 2): 610 -620.   [9]  F engq ian g  Z h ao, Guan gq ia ng L i , Ch ao  Yang,  Aj ith A b rah a m, Hon g bo L i u. A H u man–c omputer   Coo perativ e Particle S w arm  Optimization   Based Immu ne Alg o rithm  for La yout D e sig n .  Neur o   Co mp uting . 2 0 14; 132( 20): 68 -78.  [10]  Poon am Savs ani, R L  Jh al a, Vimal  Savsa n i . Effect  of h y b r idizi ng B i o geo grap h y -Base d   Optimizatio n   (BBO)  T e chniq ue  w i th Artifici al Immune Al g o ri thm (AIA) and Ant Col o n y   Optimizatio n  (ACO).  Applie d   Soft Computin g . 2014; 2 1 (8): 542- 553.    [11]  Se yed  Abb a s  T aher, Muham mad K a rim A m oosh ahi.  Ne w   ap pro a ch fo r Optimal  UPF C  Plac eme n t   Using  H y bri d  Immune Al gorit hm in El ectric Po w e r S y stem s.  Internation a l  Journa l of Ele c trical Pow e r &   Energy Syste m s . 2012; 43( 1): 899- 909.     Evaluation Warning : The document was created with Spire.PDF for Python.