人工免疫算法优化分析

随着对免疫系统机理的认识逐步清晰,免疫系统的强大的识别能力引起了其他学科的研究者的关注。免疫算法就是一种生物仿真算法,它是在模仿人体免疫系统的部分功能基础上构造出来的新型优化算法。近年来人们通过研究,构造出几种基于免疫系统启发的工程应用方法,为解决当前工程中的热点和难点问题提供了新的思路。     

模糊免疫算法在电路故障诊断中的应用研究

针对传统免疫算法在故障检测中存在的稳定性低、检测性能差等问题,基于模糊数学和生物免疫系统的信息处理的机理,提出一种基于模糊数学策略的免疫算法。介绍了模糊免疫算法的实现过程,并将其应用到模拟电路的故障诊断之中。仿真和实验实例表明,该算法适合于模拟电路故障诊断,有效抑制了误报率,检测率也得以提高。     

改进的免疫遗传算法在优化问题中的应用

基于生物免疫系统原理,对人工免疫系统进行研究,提出了改进的免疫遗传算法.该算法的选择算子采用基于浓度和适应度的自适应式选择策略;引入免疫算子,抑制其优化过程中出现的退化现象.将改进的免疫遗传算法应用于TSP组合优化问题,仿真结果表明了该算法的有效性.     

基于免疫算法的TSP问题求解

旅行商问题（Trweling Salesman Problem,TSP）是一个典型的NP问题,有效地解决TSP问题在可计算理论上有着重要的理论价值。目前,在已有的各种求解TSP问题的算法中,基于人类免疫学的人工免疫新计算模型——免疫算法（Immune Algorithm,IA）,凭借其具有较强的收敛性和较好的求解结果等优点成为目前学术界研究的热点。本文对已有的免疫算法进行了分析,并依据生物免疫系统的免疫机制提出了两点改进：（1）在算法中采用更加类似生物免疫系统的记忆细胞的处理方法,以增强解群在进化中的多样性;（2）引入“疫苗”的概念,先从父代中的信息抽取出得到疫苗,然后基于疫苗进行交叉,使交叉的效果得到了明显改善,也即在交叉过程中引入了自己学习的能力。     

基于免疫算法PID控制器参数的优化设计

根据生物免疫系统的特性,提出一种基于免疫进化计算PID控制器参数的优化设计算法。免疫进化算法引入记忆细胞的抗体浓度调节机制,具有种群的多样性,能确保快速稳定地收敛到全局的最优点。仿真实验表明该算法简便有效。     

一种求解多目标车辆路径问题的改进免疫算法

免疫算法是模拟生物免疫系统功能的一种智能优化算法,它具有良好的全局搜索能力.文章设计了一种具有动态自适应性的免疫算法,在算法中引入年龄结构模型,采用一种基于rank排名方法的抗体浓度抑制思想,并利用变异算子更新抗体群,保证了进化过程中解的多样性,提高了搜索效率.将改进的免疫算法用于求解多目标车辆路径问题,实验表明,算法...     

基于免疫调节机制的参数自整定模糊控制器设计

为进一步解决常规模糊控制算法存在的控制器参数不能在线调整、稳态精度较低等问题,提出一种基于免疫系统调节机制的参数自整定模糊控制算法。该算法在动态调节阶段借鉴生物免疫系统调的T细胞反馈调节机制来整定控制器参数,以获得较优的控制系统动态性能;稳态调节阶段利用免疫系统抗原提呈原理,将控制偏差视为抗原并进行非线性处理,同时微调控制器参数以提高模糊控制器的灵敏度,从而克服常规模糊控制器稳态精度不高的缺陷。为检验免疫模糊自整定控制算法的控制效果,将改进后的算法应用于生物反应器的非线性温度控制对象。研究结果表明:相比于常规模糊控制算法和PID算法,免疫模糊自整定控制算法具有较好的控制效果和较强的抗干扰能力。     

基于免疫算法的病毒检测方法

阐述了计算机病毒的特点和生物免疫系统的基本功能。借鉴人工免疫的原理,提出了一种基于免疫算法的病毒检测方法,该方法能有效地检测已知病毒和未知病毒。     

免疫算法原理及应用研究

免疫算法（Immune Algorithm,IA）是将人工免疫的概念及理论和遗传算法相结合,它不仅保留了遗传算法本身的优良特性,还通过增加免疫算子来抑制其迭代过程中出现的退化现象,并提高了算法的收敛速度。免疫算法是基于免疫系统的学习算法,在解决给定的最优化任务（称之为抗原）时,算法开始时收集一些估计参数（称之为抗体）,每个抗体性能由其适应度和浓度来评估。在每一代,适应度好、浓度低的抗体允许交叉和变异,产生新的抗体形成下一代。这种受生物免疫系统启发的算法可以较快地导出复杂问题的有效解。     

一种新的基于克隆选择原理的人工免疫算法

提出了一种新的基于克隆选择原理的人工免疫算法.该算法基于生物免疫系统的自适应免疫识别机制,通过整合克隆选择过程中的亲和度成熟、阴性选择、免疫记忆、基因库进化和元动力学等关键要素,可在搜索过程中自动获取和积累有关搜索空间的知识,协调利用群体记忆与基因库记忆机制,在资源受限的条件下高效求得问题的解;并对算法的全局收敛性进行了分析.针对STSP问题的实验结果验证了算法的性能.     

人工免疫工程综述

概述免疫系统基本概念，比较了三大生物信息处理系统（神经系统，遗传系统和免疫系统）的特性，在此基础上提出了人工免疫工程（artificial immune engineering,AIE)的概念，介绍了AIE的主要方法，包括基于免疫网络学说的人工免疫网络模型，基于免疫特异性的否定选择算法和基于接种疫苗及免疫多样性的免疫进化算法；阐述了AIE的应用现状，包括人工免疫网络在人工智能领域，免疫特异检测在计算机安全领域及免疫反馈和免疫鲁棒自适应特性在智能控制领域的多种典型应用，最后对AIE研究应用前景作了进一步的展望。     

基于免疫的图形识别算法

本文提出了一种新型的基于免疫的图形识别模型并给出了相应的算法设计,定量的刻画了抗原、最佳抗体、成熟抗体、记忆抗体、免疫周期之间的演化情况,阐明了抗原提取、抗体特征库、成熟抗体、记忆抗体的产生方法,以及如何在解空间引入竞争机制.文章最后分析了此算法的时间复杂度.     

基于TLR异常检测系统的DC算法研究

在数据异常检测实验中,针对传统DC(Dendritic Cell)算法的检测不够精确的问题,结合生物免疫体系中天然免疫的TLR(Toll-Like Receptor)的工作机制,提出一种基于TLR异常检测系统的DC算法。该算法首先利用DC算法得到成熟与半成熟的DC,再将这两类DC作为输入提供给TLR进行处理,最后通过对激活TC的刺激水平来判断是否异常。     

人工免疫控制器的设计及其控制效果的仿真

借鉴生物特异性免疫中T细胞、B细胞协同免疫机理,提出了一种免疫控制器,并将免疫控制器与PID控制器在系统输出控制能力、抗干扰能力、对象参数变化的适应能力等方面做了比较研究.结果表明这种免疫控制器较PID控制器性能优越.     

基于免疫遗传算法的TSP优化问题求解

在分析人工免疫系统的基础上提出一种改进的人工免疫算法——免疫遗传算法。文中介绍了该算法的基本步骤及特点,并对旅行商问题进行了仿真研究,与基本遗传算法进行了比较。结果表明所提算法能以较快的速度完成给定范围的搜索和全局优化任务,较标准遗传算法具有更强的全局搜索能力。     

自调整柯西变异克隆算法

生物免疫系统中许多信息处理机制已成功应用到控制、数据处理、优化学习和故障诊断等领域,并且已经成为继神经网络、模糊逻辑和进化算法后人工智能的又一研究热点。针对巴西学者Castro提出的克隆算法存在的不足,提出一种新的克隆算法——自调整柯西变异克隆算法,重新定义了克隆选择算子和克隆变异算子。与其它算法相比较,试验结果表明所提算法搜索时间短、搜索精度和效率都很高。     

免疫遗传算法在MATLAB环境中的实现

阐述了免疫遗传算法的基本原理,探讨了在MATLAB环境下实现免疫遗传算法中抗原记忆、抗体促进与抑制、抗体多样性保持等功能的方法,并以智能交流接触器优化设计问题为例,说明免疫遗传算法与标准遗传算法相比的优越性及其在MATLAB环境中实现的可行性.     

Immunodominance and clonal selection inspired multiobjective clustering

The biological immune system is a highly parallel and distributed adaptive system. The information processing abilities of the immune system provide important insights into the field of computation. Based on immunodominance in the biological immune system and the clonal selection mechanism, a novel data mining method, Immune Dominance Clonal Multiobjective Clustering algorithm (IDCMC), is presented. The algorithm divides an individual population into three sub-populations according to three different measurements, and adopts different evolution and selection strategies for each sub-population. The update of each sub-population, however, is not carried out in isolation. The periodic combination operation of the analysis of the three sub-populations represents considerable advantages in its global search ability. The clustering task is a multiobjective optimization problem, which is more robust with respect to the variety of cluster structures of different datasets than a single-objective clustering algorithm. In addition, the new algorithm can determine the number of clusters automatically, which should identify the most promising clustering solutions in the candidate set. The experimental results, using artificial datasets with different manifold structure and handwritten digit datasets, show that the IDCMC outperforms the PESAII-based clustering method, the genetic algorithm-based clustering technique and the original K-Means algorithm in solving most of the problems tested.