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.     

一种新的免疫克隆选择算法

提出了一种新的人工免疫系统算法——免疫克隆选择算法,描述了算法的操作过程.采用函数优化仿真实验与进化算法进行比较,结果表明免疫克隆选择算法收敛速度快,求解精度高,稳定性好,并能有效地克服早熟问题和骗问题.     

基于人工免疫的故障诊断模型及其应用

提出了一种基于免疫原理的故障检测及诊断系统模型. 通过对检测对象正常工作状态下获得的自己模式串的阴性选择,随机产生初始检测器;利用基于人工免疫的进化学习机制,实现对检测对象异常工作状态下获得的非己模式串进行学习和记忆;利用进化学习结果和系统故障信息库知识,区分和标记不同故障在状态空间上对应的区域. 将抗原学习过程中抗体集合变异所产生的各代抗体集合看作随机序列,给出了序列的收敛条件及证明,证明了所提出的动态免疫进化学习算法是概率弱收敛. 应用于机床齿轮箱故障检测和诊断问题的实验结果表明了所提出方法的有效性.     

基于人工免疫聚类算法的电梯交通流分析

采用人工免疫聚类算法对某大楼一周内的电梯交通流进行了分析．利用人工免疫算法的免疫激励和免疫抑制机制，对电梯交通的5分钟原始客流数据进行压缩，得到了特点鲜明的电梯交通流人工免疫记忆数据集．以最小支撑树为工具，采用最短距离法对记忆数据集进行分类，所得结果清晰地体现了电梯交通流的实际特性．该算法为电梯群的控制与调度提供了有力的理论支持．     

肝片吸虫抗原基因转基因苜蓿再生的研究

用直接转化法，将构建有肝片吸虫保护性抗原基因FH3的植物表达载体pBI121-FH3,导入感受态的根瘤农杆菌EHA105；以重组的根瘤农杆菌为介导，用叶盘法转化苜蓿外植体，筛选得到抗Kan转化外植体；抗性外植体通过诱导丛生芽和诱导生根，再生出完整植株，提出植株总DNA进行Southern blot，结果表明，FH3基因已经整合入苜蓿基因组中。     

公路隧道群追尾交通事故预警模型

由于公路隧道群追尾交通事故与车辆行驶过程中的运行状态密切相关,将车辆制动距离、行驶速度、车辆类型等交通流参数作为其识别预警特征参量,结合人工免疫系统原理,构建了智能化的公路隧道群追尾交通事故预警模型,能够对车辆异常状态的发展趋势做出较为准确的判断,并给出相应事故安全级别的预警信息.最后,以西汉高速公路隧道群区段为例,运用该基于人工免疫机理的预警模型进行工程实例仿真分析,得出了不同工况下的预警事故信息,说明了预警模型的准确性和可行性,为我国高速公路隧道群区段的安全运营管理提供了重要的理论依据.     

基于反向选择的网络异常学习行为识别方法

网络学习中,异常学习行为不易及时被察觉和纠正,可能会导致严重的学习问题.网络异常学习行为具有多样性和不确定性,难以通过规则直接界定.借鉴生物免疫系统识别病原体的原理设计的反向选择算法,能自适应识别未知异常,并具有实时性、动态性、多样性、鲁棒性等特征.借助主成分分析法从网络学习行为日志数据中抽取行为特征,构成多维空间的学习行为向量,通过优化训练集改进了反向选择算法并设计了基于该算法的网络异常学习行为识别方法 .在真实数据集上的实验结果表明：该方法的识别率优于朴素高斯贝叶斯、决策树、支持向量机等常用算法,能够及时对异常学习行为进行早期预警,为干预和改进学习效果提供客观依据.该方法不需要人工干预,能识别未知的异常行为,具有多样性和较高的自适应性.     

基于神经系统与免疫系统调节机理的Memetic计算

Lamarck学习理论已被引入进化计算,能有效提高其局部搜索能力,逐步发展成为进化计算的新热点-Memetic计算.文中从神经系统与免疫系统在生物机体内的整合调节机理,提出了免疫Memetic计算模型,设计了模拟神经系统对免疫反应单向调节的Lamarck学习策略,并针对数值优化问题,提出了基于Lamarck学习的免疫Memetic算法.该算法结合了免疫算法和传统数学规划算法的不同特性,具有较理想的搜索性能.基于10个低维和10个高维基准测试问题的仿真结果表明,基于Lamarck学习的免疫Memetic算法与基于遗传算法的基本Memetic算法相比具有明显的优越性.     

一种基于自体集层次聚类的否定选择算法

否定选择算法是用于产生人工免疫检测器的重要算法,然而传统的否定选择过程需要将随机生成的候选检测器与全部自体数据进行匹配以排除识别了自体的无效检测器,该匹配过程导致检测器的生成效率过低,极大地限制了免疫算法的应用.为此,文中提出了一种基于自体集层次聚类的否定选择算法CB-RNSA.算法首先对自体数据进行层次聚类预处理,然后用聚类中心取代自体数据点与候选检测器进行匹配,以减少距离计算代价.在生成检测器的过程中,候选检测器被限定在非自体空间的低覆盖率区域内,以降低检测器冗余.对检测器的非自体空间覆盖率进行了概率分析,给出了中止生成检测器的条件,该条件较传统的预设检测器数量的中止条件更为合理.理论分析表明CB-RNSA的时间复杂度与自体集规模无关,从而解决了经典的否定选择算法的时间复杂度随自体数量呈指数增长这一难题,极大地提高了大自体样本空间下的检测器生成效率.对比实验结果表明:在相同的实验数据集与期望覆盖率下,CB-RNSA的检测率比经典的RNSA与V-detector算法分别提高了12.3%与7.4%,误警率分别降低了8.5%与4.9%,产生检测器的时间代价分别降低了67.6%和75.7%.     

二次否定选择算法

否定选择算法(NSA)是人工免疫系统应用于异常检测生成检测器的重要算法,传统NSA随机产生候选检测器与全部训练集进行耐受以消除免疫自反应,该匹配过程是NSA的主要时间开销,由于候选检测器在自体耐受过程中未考虑其与已有成熟检测器集的相互覆盖,导致生成的成熟检测器与已有检测器重复覆盖,经历不必要的自体耐受,从而导致NSA生成检测器数量过多,检测器的生成效率过低,限制了人工免疫系统在异常检测中的应用.为此,本文提出了二次否定选择算法(2-NSA),算法包括两次否定选择过程,分别耐受检测器集和训练集.每个随机产生的候选检测器先与已有成熟检测器集耐受为第一次否定选择,清除识别已有成熟检测器的候选检测器,耐受成功的候选检测器成为半成熟检测器;半成熟检测器在已有成熟检测器覆盖之外进行训练集的自体耐受为第二次否定选择,清除识别自体的半成熟检测器,耐受成功的半成熟检测器成为成熟检测器加入检测器集合.2-NSA算法有效避免了候选检测器在已有成熟检测器覆盖范围之内的自体耐受,大大减少了成熟检测器的数量,提高了成熟检测器集的生成效率,降低了算法的时间复杂度.此外,2-NSA算法按检测器半径从大到小优先产生覆盖范围更大的检测器,进一步避免与已有成熟检测器的重复覆盖,减少成熟检测器的数量.理论分析表明2-NSA算法有效减小了成熟检测器数量、提高了检测器生成效率,降低了系统的误报率.对比实验结果表明:在标准数据集Iris和期望覆盖率为99%的情况下,与经典的RNSA和V-Detector等实值否定选择算法相比,2-NSA算法需要成熟检测器的数量分别减少了99.84%和95.69%,误报率分别降低了60.13%和50.90%,产生成熟检测器集的时间代价分别缩减了99.79%和66.84%.