第6章2.免疫优化算法

3.2 算法的设计与实现
（2）抗体记忆细胞群
记忆细胞库的结构
当抗原入侵时，首先识别问题类别，如TSP问题，再 识别该问题的具体特征参数，如城市数目及坐标信息 等，最终刺激相应的记忆细胞，形成求解问题的初始 抗体群。
3.2 算法的设计与实现
（3）初始群体产生 初始群体的产生有两种途径： 1）针对待求解问题的特征，若能与记忆细胞群的 结构信息相匹配，则由库中的记忆细胞组成初始 抗体群，不足部分的抗体随机产生； 2）否则随机产生初始群体。在这里设定群体规模 为100。
和力抗体的记忆，用于全局搜索过程中促进优良
个体的搜索，而抑制细胞则是对高浓度抗体的记 忆，在局部搜索过程中抑制相似解的搜索。
基于免疫抗体记忆的免疫优化算法
该算法框图：
3 基于免疫算法的TSP问题的求解 3.1 所要用到的免疫算法框架
3.2 算法的设计与实现
在算法的实现中，将TSP问题的目标函数对应于抗原，而 问题的解对应于抗体。 （1）抗体编码及适应度函数 抗体采用了以遍历城市的次序排列进行编码，每一抗 V1 ,V2 ,...,Vn ，其中， 表示遍历城市的序号。 体码串形如： i 程序中抗体定义为一维数组A(N)，N表示TSP问题中的城市 数目，数组中的各个元素 A(i)(i {1, 2,..., N}) 取值为1至N间的整 数，分别表示城市的序号，根据问题的约束条件，每一数 组内的各元素值各不相同。
将抗体对应于搜索空间的解 2 抗体与抗原的亲和力—— 对解进行评价和选择
免疫算法步骤
将生物免疫模型作为一种 优化算法
2 几种免疫优化算法 在遗传算法的进化大框架上，引入免疫的抗体自 我调节，免疫响应过程，免疫疫苗接种，免疫记 忆等概念，发展了下面几种免疫优化算法: 基于免疫自我调节机制的免疫优化算法 基于免疫响应的免疫优化算法 基于疫苗接种的免疫优化算法 基于免疫抗体记忆的免疫优化算法
为较优抗体的浓度阈 其中， , 为 0－1 间可调参数， 值，Fitness(i)为第i个抗体的适应度，MaxFitness为抗体的最 大适应值，Sgn(x)为符号函数，C为较优抗体的浓度设为：
C
Fitness(i ) .Fitness(i) MaxFitness
.MaxFitness Fitness(i) MaxFitness)
基于疫苗接种的免疫优化算法
该算法框图：
群
体
更
新
基于免疫抗体记忆的免疫优化算法 在适应性免疫调节过程中，对特殊抗体的记忆起 着重要的作用。这种算法提出的免疫优化算法是 对传统GA的改进，与GA相比，增加了两个新算子： 一个是记忆细胞，一个是抑制细胞，这两种算子 都是对重要抗体的记忆，记忆细胞是对具有高亲
免疫调节 在免疫反应的过程中，抗体的大量产生 降低了抗原对免疫细胞的刺激，从而抑制了抗体的
分化、增殖，同时产生的抗体之间也存在着相互刺
激和抑制的关系，这种抗原和抗体、抗体和抗体之 间的相互制约关系使免疫反应维持着一定的强度， 保证机体的免疫平衡。
人工免疫算法步骤

基本思想
1将抗原对应于目标函数和约束条件
3.2 算法的设计与实现
（5）基于浓度的群体更新 在进化过程中，为了保持抗体的多样性，避免陷入局部最优，体 现抗体之间的相互促进和抑制作用，在这里采用基于浓度的群体更 新方法。即基于下述方式调整各抗体的适应度，在选取适应度较高 的N个抗体组成新的抗体群。
Fitness(i ) Fitness(i ) .(1 C ).(1 Sgn( C ). . Fitness (i ) .Fitness(i ) MaxFitness
B细胞 ——骨髓
产生抗体，提呈抗原以及分泌浆细胞和记忆细胞参与调节 T细胞 ——胸腺 清除病毒或癌细胞 通过刺激或抑制B细胞产生抗体来调节免疫系统平衡
根据Burnet的细胞克隆选择学说和Jerne的免疫
网络学说：
生物体内先天具有针对不同抗原的多样性B细 胞克隆，抗原侵入机体后，在T细胞的识别和控 制下，选择并刺激相应的B细胞系，使之得到活 化、增殖并产生特异性抗体结合抗原。 抗原和抗体，抗体和抗体之间的刺激和抑制 关系形成的网络调节结构维持着免疫平衡。
i
抗体总数 N
为0－1的可调参数，这里取0.8 其中，
3.2 算法的设计与实现 （5）基于浓度的群体更新 在群体的更新过程中，一般总是希望适应度高的抗 体被保留下来，但如果此类抗体过于集中，即浓度 过高，则很难保证抗体的多样性，很容易使算法陷 入局部极优，而丢失那些适应度较差但却可能保持 这较好的进化趋势的抗体。因此，采用上述基于浓
v
适应度函数取路径长度 Td 的倒数，即 Fitness(i) 1/ Td (i) ，
Td d (vi , vi 1 ) d (v1 , vn )
i 1 n 1
表示第i个抗体的所表示的遍历城市的路径长度。
3.2 算法的设计与实现
（2）抗体记忆细胞群
抗体记忆机制的引入是免疫算法的一个重要特点。 系统在完成一个问题的求解后，能保留一定规模的求解 过程中的较优抗体，这样，在系统接收同类问题的求解 时，以所保留的记忆细胞作为初始群体，从而提高了问 题求解的收敛速度，体现了免疫算法自适应环境的能力。 在这里设定记忆细胞规模为50，在求解过程中的每 一代抗体群体的更新时，将适应度最好的M个（这里设 为5个）抗体入选记忆细胞库中，每次入选记忆抗体时， 若记忆细胞库已满额，则替换掉适应度最差的个体，同 时比较库中有否与入选抗体相同的记忆细胞，以保证记 忆细胞群的多样性。
基于免疫自我调节机制的免疫优化算法 在遗传算法中，如果根据适应度函数选择出的双 亲基因非常接近，那么所产生的后代相对双亲也必 然比较接近，所期待的改善就比较小，这样基因模 式的单一性不仅减慢进化历程，而且可能导致进化 停滞，过早收敛于局部最优点。

在免疫调节中，那些与抗原亲和力大并且浓度较 低的抗体会受到促进，而与抗原亲和力小或浓度较 高的抗体会受到抑制，以此保证抗体的多样性。将 这一概念应用到标准的遗传算法中，保证群体多样 性，改善未成熟收敛，提高遗传算法的性能。个体 浓度越小，选择概率越大，而个体浓度越大，则选 择概率越小，这样，在保留高适应度个体的同时， 进一步确保个体多样性，能避免早熟现象。
基于免疫响应的免疫优化算法 这种免疫优化算法从体细胞理论和免疫网络理 论中得到启发，实现了类似于免疫系统的自我 调节和生成不同抗体的功能，具有以下特点： 它在记忆单元基础上运行，对于曾经出现过 的抗原，免疫算法产生相应抗体的速度比以前 更快，提高了算法的总体搜索能力，确保了快 速收敛于全局最优解； 它有计算亲和力的程序，体现了抗体的多样 性； 它通过促进或抑制抗体的产生，体现了免疫 反应的自我调节功能。
度机制的多样性保持策略，使得在新一代抗体群中，
各适应度层次的抗体维持着一定的浓度。
4 结论 上面的几种免疫优化算法都是针对传统遗传算 法存在的问题，如局部搜索能力差，存在未成熟 收敛等现象，从而导致算法的收敛性能力差，需 要很长时间才能找到最优解，结合不同的免疫信 息处理机制发展而来的，因此可以遗传算法与免 疫优化算法是融合发展的。
3.2 算法的设计与实现 （4）新抗体生成 根据免疫系统中抗体产生细胞的来源特点，每一代新抗 体的产生主要基于： 1）基于遗传操作的新抗体的产生：交叉采用部分匹配交 叉策略，变异采用随机多次对换方式。这里设定的交叉概 率为0.85，变异概率设定为0.03.由此产生新的抗体群体 （群体规模为N,为初始群体规模）。 2）随机产生的P个新抗体，类似于B细胞的新陈代谢功能， 它对于进化过程中的抗体多样性的保持，提高全局搜索能 力，防止未成熟收敛方面有较好的作用。 基于上述方式生成新的N＋Ｐ抗体，我们采用下述的 基于浓度的策略，来修正个抗体的适应度值，并产生下一 代群体（群体规模为N）。
免疫优化
1. 生物免疫系统概述
免疫系统是生物体一个高度进化、复杂的功能系 统，它能自适应地识别和排除侵入机体的抗原性异物， 并且具有学习、记忆和自适应调节能力，维护机体内 环境的稳定。 免疫功能主要是通过分布在全身的免疫细胞来 实现的 先天免疫系统的主要包括巨噬细胞。 适应性免疫系统主要包括若干类型的白血细胞， 称为淋巴细胞。淋把细胞分为两类：B细胞和T细 胞。
免疫原理
当抗体数量>某个阈值时，产生抗体的细胞分化为： 抑制细胞- 阻止这种抗体的进一步增加 记忆细胞- 将此抗体对应的解记为局部最ห้องสมุดไป่ตู้解
抗原识别是通过表达在抗原分子表面的epitope(表位）
和抗体分子表面的paratope（对位）的化学基进行相互
匹配选择，这一反应是在T细胞的作用下完成的。这种匹 配过程也是一个对抗原学习的过程，最终能选择产生最 适合的抗体与抗原结合而排除抗原。 免疫记忆是指免疫系统能将与侵入抗原反应部分抗体作 为记忆细胞保留下来，对于同类抗原的再次入侵时，相 应的记忆细胞被激活而产生大量的抗体，缩短了免疫反 应的时间。
基于免疫响应的免疫优化算法
该算法框图：
基于疫苗接种的免疫优化算法 疫苗接种是免疫记忆临床应用的一个重要方面。 将这一免疫概念用于遗传算法，有效地利用求解问 题的一些基本的 、显而易见的特征信息或知识，提 取“疫苗”,使问题求解更具有针对性。 在保留原算法的优良特性的前提下，引入了一个 新的算子——免疫算子，有选择、有目的地利用待 求问题中的一些特征信息或知识，提取“疫苗”来 抑制其优化过程中出现的退化现象，在进化选择过 程中，通过“接种疫苗”和“免疫选择”来知道搜 索过程。