人工免疫系统及其算法综述

基于异构网络环境的人工免疫系统及其算法研究综述

摘要：人工免疫作为一种新型的研究领域，有着广泛的应用范围，人工免疫算法的研究也已成为人工智能研究领域的一个重要内容，它突出地体现了现代科学发展的多层次、多学科和多领域的相互渗透、相互交叉和相互促进的特点。因此，将人工免疫系统的原理应用在计算机领域有着重要的理论意义和实际应用价值。本文详细介绍了几种常见的免疫算法机理，并指出了人工免疫系统的研究方向。

关键词：人工免疫系统，人工免疫算法

1、人工免疫系统介绍

1.1 人工免疫系统

20世纪70年代，Jerne[1,2]首先提出了人工免疫系统的网络假说，并以此开创了独特型网络理论。独特型网络理论为人工免疫系统以后的应用和研究提供了理论指导，并发展成为人工免疫的基础理论之一。

Perelson[3]在独特型网络理论的基础上进一步给出了免疫网络的数学框架，从而加快了人工免疫系统在计算机科学方面的发展。1986年，Farmer【4】基于免疫网络的假说，构造了一个免疫系统的动态模型，并提出了一些学习算法的构造思想。此后Forrest 又提出了阴性选择算法，他的工作对于人工免疫系统的发展尤其是在信息安全领域应

用的发展具有十分重要意义。随后的研究者不断从生物免疫系统中吸取精髓，使之广泛用于优化、数据分析、机器学习、聚类分析、模式识别、故障诊断、机器人控制、自适应控制领域、计算机及网络安全领域等各个应用领域。人工免疫系统主要关注的是用计算和数学模型对免疫学进行模拟，更好地了解免疫系统。人工免疫包括：免疫系统，遗传系统和神经系统。

按照目前人们普遍接受的观点，基于免疫系统仿生机理开发的入工免疫系统[9-12]的理论研究主要在集中在人工免疫网络模型

和人工免疫算法两个方面。针对人工免疫网络模型的研究多集中在以Jerne的独特性免疫网络为基础的不同模型仿真实验上。而针对人工免疫算法的研究主要是在已有系统

模型的基础上，制定一些目的性较强的计算方法或实施策略，主要包括免疫遗传算法、克隆选择算法、阴性选择算法和免疫学习算法等。

1.2 人工免疫系统处理特性

从信息处理的角度上分析，人工免疫系统具有如下特点：

（1）多样性：免疫系统抗体库的多样性特征，能及时对不同类型的入侵抗原进行有效的保证和消除。

（2）容错性：免疫系统在分类和响应中突发的一些比较小的信息处理错误不会使整个信息处理结果造成严重影响。

（3）分布自律性：免疫系统没有集中控制系统，它是由许多局部的并且相互作用的基本信息单元联合起来达到对全局的保护。

（4）动态稳定性：免疫系统要消除各种外来的不断变化的入侵抗原，并保持整个系统的稳定。

（5）自适应鲁棒性：免疫系统具有非常强的自我学习能力，并且通过此学习使其成为能够随环境不断变化而不断改变和完善的一个自适应型的鲁棒进化系统。

2、免疫算法[6-8]介绍

人工免疫系统是借鉴免疫系统机理特点和功能的智能系统，具有广泛的应用和理论基础。在此着重阐述免疫算法的研究和AIS的应用研究。

2.1 免疫遗传算法

为了使遗传算法在个体多样性和群体收敛性之间取得平衡，并克服遗传算法的缺

点，在遗传算法中加入免疫的思想，即在遗传算法中加入免疫算子，使遗传算法变成具有免疫功能的新算法，称之为免疫遗传算法(Immune Genetic Algorithm，简称IGA)。增加免疫算子可以提高遗传算法的整体性能，并使其有选择、有目的的利用特征信息来抑制优化过程中的退化现象。免疫算子包括三种操作：提取疫苗、接种疫苗和免疫选择。

提取疫苗：对所求解的问题进行具体分析，从中提取出最基本的特征信息。

接种疫苗：给个体接种疫苗是指按照先验知识来修改个体的某些基因位上的基因，使所得个体以较大的概率具有更高的适应度。免疫疫苗是从对问题的先验知识中提炼出来的，它所包含的信息量对算法的性能起着重要的作用。

免疫选择：对接种了疫苗的个体进行检测，若其适应度不如父代，说明在交叉、变异的过程中出现了严重的退化现象，这时该个体将被父代中所对应的个体所替代；如果子代适应度优于父代，则在目前的子代群体中以一定的概率选择被接种的个体迸入新的父代群体。

该算法的实现步骤：

（1）抗原识别。输入待求解的目标函数作为抗原。

（2）产生初始抗体。将待优化参数的组合作为抗体。根据对象先验知识，将问题的初始解作为初始记忆细胞，与随机产生的抗体共同构成初始种群A1。

（3）根据先验知识抽取疫苗。

（4）计算亲和力。计算抗原和抗体的亲和力和每个抗体之间的亲和力。

（5）更新记忆细胞。将初始种群按抗原和抗体的亲和力的降序排列，将高抗原亲和力的抗体加入到记忆细胞取代记忆细胞中与其亲和力最高的原有抗体。若当前群体中包含最佳个体，则算法停止运行并输出结果；否则继续。

（6）对抗体种群中经过选择的抗体进行交叉和变异操作得到新种群B。

（7）对种群B进行接种疫苗操作，产生种群C。

（8）对种群C进行免疫选择操作，得到新抗体A k,转到步骤（4）。

（9）免疫遗传算法的流程图如图所

示。

抗原识别

产生初始抗体

计算亲和力

终止条件是否满足

更新记忆细胞

交叉、变异

产生新抗体

结束

是

否

提取疫苗

接种疫苗

免疫选择

免疫

算子

图1 免疫遗传算法流程图

2.2 克隆选择算法

Castro【5】基于克隆选择理论提出了克隆选择算法,要依据最优解，根据亲和度的大小选择克隆，进行增值和变异，提高搜索范围，加快收敛速度。这是一种模拟免疫系统的学习过程的进化算法。其基本要点为: （1）随机产生初始群体P,包括记忆群体M和剩余群体Pr。

（2）计算亲和度,并根据其大小从P中选择n个最佳个体Tn。

（3）克隆这n个最佳个体，产生一个暂时的克隆群体C，克隆的规模随亲和度的大小而改变。

（4）克隆后的个体按突变概率产生突变，突变概率与抗体的亲和度成正比/反比。

（5）在新产生的群体C*中重新选择一些好的个体构成记忆群体。被克隆的母体中的一些个体被新群体中的其他好于母体的个体取代。