买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉阜阳师范大学申请的专利基于三值光学计算机的免疫-花授粉方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116861947B 。

龙图腾网通过国家知识产权局官网在2026-04-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310675580.3，技术领域涉及：G06N3/006；该发明授权基于三值光学计算机的免疫-花授粉方法是由齐保峰;孙少将;童译辉;王先传;项为杰;范龙龙;王先超设计研发完成，并于2023-06-08向国家知识产权局提交的专利申请。

本基于三值光学计算机的免疫-花授粉方法在说明书摘要公布了：本发明公开了一种基于三值光学计算机的免疫‑花授粉算法，是在TOC上实现LDC问题的解决和算法的改进。本发明首次在TOC上实现AIA并对其进行改进；提出了带有调整线性选择方法的AIA；提出了G&C变异策略；提出了基于TOC的免疫‑花授粉算法ArtificialImmuneFlowerPollinationAlgorithm，AIFPA融合方法。在不同规模的实验中对这两种算法进行了测试和比较，随着问题规模的增大，改进算法的的效果也越来越明显。实验表明，本发明提出的算法不仅具有较高的求解精度，而且相对稳定，大大减少了TOC的计算时间。

本发明授权基于三值光学计算机的免疫-花授粉方法在权利要求书中公布了：1.一种基于三值光学计算机的免疫-花授粉算法解决物流中心选址问题的方法，其特征在于， 物流中心选择形式作为一个优化问题，在物流配送中心选址模型中做如下假设： 1配送中心的规模容量总可以满足需求点需求，并由其配送辐射范围内的需求量确定； 2一个需求点仅由一个配送中心供应； 3不考虑工厂到配送中心的运输费用； 基于以上假设，建立如下模型，该模型是一个选址分配模型，在满足距离上限的情况下需要从n个需求点中找出配送中心并向各需求点配送物品；目标函数是各配送中心到需求中心的需求量和距离值的乘积之和最小，目标函数为 约束条件为： Zij≤hi，i∈N，j∈Mi#3 Zij，hj∈{1,0}，i∈N，j∈M#5 dij≤s#6 其中，N＝{1,2，…，n}是所有需求点的序号集合；Mi为到需求点i的距离小于s的备选配送中心集合，i∈N，ωi比表示需求点的需量；dij表示从需求点i到离它最近的配送中心j的距离；Zij为0-1变量，表示用户和物流中心的服务需求分配关系，当其为1时，表示需求点j的需求量由配送中心j供应，否则Zij＝0；hj是0-1变量，当其为1时，表示点j被选为配送中心；s为新建配送中心离由它服务的需求点的距离上限；式2保证每个需求点只能由一个配送中心服务；式3确保需求点的需求量只能被设为配送中心的点供应，即没有配送中心的地点不会有客户；式4规定了被选为配送中心的数量为p；式5表示变量Zij和hj是0-1变量；式6保证了需求点在配送中心可配送到的范围内； 根据物流中心选址问题对人工免疫算法进行以下设计， 1计算抗体与抗原间的亲和度：其中Fv目标函数； 2计算抗体与抗体间的亲和度：Cv采用R位连续方法； 其中，k为抗体v与抗体s中相同的位数；L为抗体的长度；在物流选址问题中，两个抗体为[59152629303335,40,45]、[5101520262830354050]，经比较，有6个值是相同的，这时可计算出它们的相似度Sv，s为0.6； 其中，N1为抗体总数；其中F为相似度阈值； 3计算各个抗体的期望繁殖率P： 其中μ为多样性评价参数； 基于TOC的免疫-花授粉算法设计： 1可调节线性选择 线性选择中种群数量为n，按照适应度值进行升序排序，最优的个体为σ1＝n*P1；最差的个体为σn＝n*Pn；其他的个体按以下公式进行排序； 根据我们可以得到σ1+σn＝2；σn≥0，σ1-σn≥0；通过σ1可以将选择压力在[1,2]中进行动态调整；基于此，线性排序选择公式如下， σn＝2-σ1#13其中，fitnessavg是种群中平均适应值； 在进化早期，由于种群是随机生成的，所以比较小；σ1比较小并且选择压力也比较小，那么算法就有强大的寻优能力去扩展搜索空间；在进化早期，如果有超级个体的出现.i.e.，fitnessmin＜＜fitnessavg，σ1→1选择概率接近于随机；在中期阶段，σ1会随着种群进化的特点进行动态调整；在后期阶段，种群的平均适应值和最优适用度趋于平衡i.e.，fitnessmin≈fitnessavg，σ1→2，在这个阶段选择压力大，局部寻优能力加强，有利于收敛； 2均匀交叉 均匀交叉是一种常用于优化问题的交叉方法，是以一定的概率从两个亲代抗体的每个基因位置随机选择一个基因，并与从两个亲代抗体中选择的基因交叉生成一个新的抗体； 3Gamp;C变异 在抗体种群多样性和抗体均匀分布的需求下，基于这种缺陷，在交叉操作后对抗体进行了全局变异； 高斯变异的形式如14所示： x*＝x+x*N0,1#14 其中，N0,1代表标准的高斯分布，高斯变异的实质是充分利用当前抗体群体的信息进行扰动，有利于跳出局部最优，从而进行全局搜索，实现收敛； 柯西变异的形式如15所示： x*＝x+x*C0,1#15 其中，C0,1表示标准Cauchy分布；Cauchy变异后，抗体产生的突变更大，这可以跳出局部最优，增加搜索速度；Gamp;C变异如下， 4花授粉算子 花朵授粉算法FPA，该算法模拟自然界花朵传粉的过程，其基于以下4个基本规则： 1生物授粉和交叉授粉可以看作是全局授粉过程，携带花粉的授粉者服从Levy飞行的方式移动； 2非生物自花授粉是局部授粉过程； 3花的恒常性被认为繁值概率，它与涉及两朵花的相似性成比例关系； 4转换概率P∈[0,1]控制局部授粉与全局授粉； 花授粉算法的迭代公式为： 其中，表示第i个花粉，在t次迭代中的值；Lλ表示Levy飞行的随机搜索路径；r表示步长；best是t代最好的解； Lλ计算公式如下： 式中，λ＝32，Γλ为标准伽马函数； 式中，μ为[0,1]之间均匀分布的随机数；和表示同一迭代次数下种群中两个不同的花粉； 对选择概率Pi进行自适应调整 其中，t代表当前迭代次数；T代表最大迭代；在第t次迭代中，代表第i个花朵的适应度值；代表最小适应度值；是最大适应度值； 基于TOC的免疫-花授粉算法解决物流中心选址问题的方法步骤如下： Input：n，s，pm，pc，ps，G，m，k Output：最优解和最优抗体 Step1：初始化参数和随机生成n+m个抗体； Step2：目标函数和条件作为抗原； Step3：TOC处理器重构； Step4：根据公式7计算适应度； Step5：根据公式8计算抗体间相似度； Step6：根据公式9计算激励度； Step7：根据公式11计算每个抗体被选择的概率； Step8：选择抗体进入下一代，选取最优的m个抗体进入记忆库； Step9：以概率pc进行均匀交叉； Step10：以概率pm进行Gamp;C变异； Step11：计算最优化抗体位置best； Step12：对每个抗体进行评估如果rand＞Pi则按公式17进行搜索，否则按公式19进行搜索； Step13：Ifflowernew＞flowerold，即搜索后的值大于搜索前的则更新，更新最优抗体位置； Step14：重复Step11到Step13直到迭代次数等于k； Step15：重复Step4和Step14直到最大迭代次数等于G。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人阜阳师范大学，其通讯地址为：236037 安徽省阜阳市清河西路100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。