基于生物免疫隱喻機制的AIS優(yōu)化算法研究.pdf

1、人工免疫系統(tǒng)（Artificial immune system，AIS）是模仿自然免疫系統(tǒng)功能的一種智能方法。它受生物免疫系統(tǒng)自然防御機制的啟發(fā)并具備噪聲忍耐、無教師學(xué)習(xí)、自組織、記憶等特性，同時結(jié)合了分類器、神經(jīng)網(wǎng)絡(luò)及推理系統(tǒng)的一些優(yōu)點，為解決實際問題提供了新穎方法。其研究成果涉及優(yōu)化計算、控制、數(shù)據(jù)處理和故障診斷等許多領(lǐng)域，成為繼神經(jīng)網(wǎng)絡(luò)、模糊邏輯和進化計算后人工智能的又一個研究熱點。
　　然而，免疫系統(tǒng)本身比較復(fù)雜，因此對人

2、工免疫系統(tǒng)模型的研究相對較少。雖然現(xiàn)有的研究成果展示了人工免疫算法在解決某些現(xiàn)實問題上的巨大潛力和在求解一些優(yōu)化問題上的優(yōu)勢，但是目前對人工免疫系統(tǒng)算法的研究還只是處于起步階段，其廣闊的應(yīng)用前景還在等待更細(xì)致的開發(fā)。在優(yōu)化計算方面，目前對人工免疫優(yōu)化算法的研究多集中在免疫機理對已有優(yōu)化算法的改進，雖然這些算法大多被冠以“免疫”的名字，但本質(zhì)上只是利用了免疫系統(tǒng)的相關(guān)機理對遺傳算法的改進，而且多數(shù)是靜態(tài)的和非自適應(yīng)的，也缺乏對生物免疫機理

3、的深入分析以及與其他受自然啟發(fā)算法的深入對比研究。本文在已有克隆選擇算法的基礎(chǔ)上，深入研究了生物免疫系統(tǒng)的識別，學(xué)習(xí)和防御機理，通過提取相關(guān)免疫隱喻機制，從不同角度分別構(gòu)造了免疫反應(yīng)機制與全局優(yōu)化問題、約束優(yōu)化問題和動態(tài)優(yōu)化問題的匹配映射關(guān)系，并以此映射關(guān)系為基礎(chǔ)，提出了相應(yīng)的人工免疫算法，解決了約束優(yōu)化和動態(tài)優(yōu)化兩個問題。論文取得的主要成果與創(chuàng)新工作概括如下：
　?、倩谏锩庖邫C制抽取免疫隱喻，構(gòu)建了生物免疫反應(yīng)與最優(yōu)化問題、

4、約束優(yōu)化問題和動態(tài)優(yōu)化問題的匹配映射。為這些問題的解決提供了嶄新的生物學(xué)的視角。詳細(xì)探討了生物免疫系統(tǒng)的高穩(wěn)定性和可靠性的信息處理和機體防御方法。摒棄了現(xiàn)有的很多算法只是借用“免疫”之名，停留在概念表層的做法，對生物免疫系統(tǒng)進行深入的分析和研究，并以此為基礎(chǔ)構(gòu)造算法。
　?、谔岢隽嘶谛畔鬟f的人工免疫優(yōu)化算法IAIS。以 B細(xì)胞在固有免疫和自適應(yīng)免疫中扮演的雙重角色為立足點抽取隱喻，構(gòu)造了免疫反應(yīng)與約束優(yōu)化問題的匹配映射。然后用

5、 B細(xì)胞的激活和非激活兩種形態(tài)分別模擬了約束優(yōu)化問題中因約束存在而造成的候選解的兩種形式——可行解和不可行解，從信息傳遞的觀點出發(fā)，提取并利用方向信息促進不可行解向可行域推進，進而精確定位可行解的方式解決約束優(yōu)化問題。IAIS算法只采用了傳統(tǒng)的人工免疫算子操作就提升了算法的性能，顯示出人工免疫優(yōu)化算法在解決約束優(yōu)化問題上的巨大潛力。
　?、鄹倪M了IAIS算法并用于解決約束優(yōu)化問題。深入挖掘人工免疫機制解決約束優(yōu)化問題的潛力，并在此

6、基礎(chǔ)上，對算法的一些操作進行了修改，進一步提升算法的性能。為了克服傳統(tǒng)克隆選擇算法早熟收斂和搜索精度有限的問題，在算法中加入基因重組（recombination）算子，修改了免疫變異（hypermutation）算子，引入了新個體招募（recruitment）等，并調(diào)整了方向信息的提取方式，運用現(xiàn)有測試函數(shù)測試，達(dá)到了非常有競爭力的結(jié)果。本文提出的算法彌補了現(xiàn)有人工免疫算法在解決約束優(yōu)化問題上的不足，而且僅僅立足于生物免疫機制，促進了人

7、工免疫算法自身的發(fā)展。本文通過大量的實驗從統(tǒng)計的角度驗證了算法的全局搜索能力、高的求解精度以及好的穩(wěn)定性。
　?、芴岢隽嘶陬愄荻?、聚類和記憶機制的人工免疫算法GCMAIS解決動態(tài)環(huán)境下的優(yōu)化問題。在已建立的生物免疫反應(yīng)與動態(tài)優(yōu)化問題的映射基礎(chǔ)上，提取了一般的人工免疫優(yōu)化算法框架并進行了深入的分析，找出了其在解決動態(tài)優(yōu)化問題上的不足，并提出了三種應(yīng)對機制從不同的方面提升了算法的性能。為了提高算法的搜索速度，從克隆個體攜帶的冗余信息

8、中提取了類梯度信息，擴展了傳統(tǒng)雅各比向量和正切向量等常用的梯度信息提取方法的使用范圍，提升了算法的搜索性能；為了促進算法的搜索能力和保持種群的多樣性，本文采用了聚類的方法引入了多種群處理機制，并加強了子群中的個體之間以及子群與子群之間的相互作用，刪除了種群的冗余信息，并促進了精確搜索；為了應(yīng)對動態(tài)優(yōu)化的周期和非周期變化的動態(tài)特性，深入研究了生物免疫記憶機制，并根據(jù)記憶細(xì)胞生命周期的不同，提出了長期-短期記憶機制。短期記憶提取了緊鄰的上一