第4讲 免疫算法概要
免疫算法的七个要素
免疫算法的七个要素
免疫算法的七个要素包括：
1. 识别抗体：把目标函数和约束作为抗体。
2. 生成初始化的抗体：随机生成独特型串维数为M的N个抗体。
3. 计算亲和度：这个步骤是免疫算法的重点，也是最难点。
4. 记忆细胞分化：同人的免疫系统基本一致，与抗原有最大亲和度的抗体加入了记忆细胞。
由于记忆细胞数目有限，因此新生成的抗体将会代替记忆细胞中和它有最大亲和力者。
5. 抗体促进和抑制：通过计算抗体v的期望值，消除那些低期望值的抗体。
6. 产生新的抗体：基于不同抗体和抗原亲和力的高低，使用轮盘赌的方法选择两个抗体。
然后把这两个抗体按一定变异概率做变异，之后再做交叉，得到新的抗体。
重复操作直到产生所有N个新抗体。
可以说免疫算法产生新
的抗体的过程需要遗传算子的辅助。
7. 结束条件：如果求出的最优解满足一定的结束条件，则结束算法。
以上是免疫算法的七个要素，建议查阅关于免疫算法的资料以获取更多信息。
免疫算法的介绍及应用
免疫算法的介绍及应用免疫算法（Immunological Algorithm）是一种受免疫系统机制启发的优化算法，模拟了生物免疫系统的工作原理。
它最早由荷兰科学家de Castro于1999年提出，目的是通过模拟免疫系统的基本运行机制来解决优化问题。
免疫系统是人体的一种重要防御系统，能够识别和消除有害物质，并保持身体健康。
免疫系统具有两个重要的特性：学习能力和记忆能力。
学习能力使免疫系统能够识别新出现的有害物质，而记忆能力使免疫系统能够对先前遭遇过的有害物质做出快速反应。
免疫算法通过模拟免疫系统的学习和记忆机制，将问题转化为一个抗体-抗原的优化过程。
抗体代表解空间中的一个解，而抗原则代表问题的优化目标。
免疫算法通过选择、克隆、变异等操作来更新和改良抗体种群，进而得到最优解。
1.优化问题求解：免疫算法可以应用于函数优化、组合优化、图像处理等各种优化问题的求解。
例如，可以通过免疫算法来求解工程设计问题中的最优设计参数，或者在图像处理中利用免疫算法进行图像分割和图像匹配等优化任务。
2.机器学习：免疫算法可以用于解决机器学习中的分类、聚类和回归等问题。
通过将数据样本表示为抗体，利用免疫算法最佳分类器或聚类策略，可以提高机器学习算法的性能和效果。
3.数据挖掘：在数据挖掘任务中，免疫算法可以应用于特征选择、异常检测和关联规则挖掘等方面。
例如，在特征选择中，可以使用免疫算法来选择最佳的特征子集，以提高数据分类和预测的准确性。
4.优化网络结构：免疫算法可以应用于神经网络、模糊神经网络和遗传算法等算法中，用于寻找最佳的网络结构或参数。
通过免疫算法的和优化，可以改善网络的学习和泛化能力，提高网络在模式识别和预测问题中的性能。
总之，免疫算法是一种灵活且高效的优化算法，具有较广泛的应用领域。
它通过模拟生物免疫系统的学习和记忆机制来解决各种优化问题，具有良好的性能和鲁棒性。
在未来的研究和应用中，免疫算法有望为多样化和复杂化的问题提供更为有效的解决方案。
【医学ppt课件】免疫算法
免疫算法的实验过程和结果
免疫算法的实验过程和结果
QA Time
Thank You！
免疫算法
组长:朱海军 成员:王智超
王炜华 雒玲 刘豹
免疫算法的生物免疫机制
免疫算法的基本概念(1)
抗原：在生命科学中，是指能够刺激和诱导机 体的免疫系统使其产生免疫应答，并能与相应 的免疫应答产物在体内或体外发生特异性反应 的物质。在我们的算法中，是指所有可能错误 的基因，即非最佳个体的基因。
(4) 收敛判断
若当前种群中包含了最佳个体或达到最大 进化代数，则结束算法;否则进行以下步骤。
免疫算法具体步骤(3)
(5) 产生新抗体
每一代新抗体主要通过两条途径产生： (a) 基于遗传操作生成新抗体:采用赌轮盘选择机制，当 群被体选相中似的度概小率于正阂比值于适A0应时度，;多反样之性，满按足下要述求(b，)的则方抗式体产 生新抗体，交叉和变异操作均采用单点方式。 (b) 随机产生P个新抗体：为保证抗体多样性，模仿免 疫系统细胞的新陈代谢功能，随机产生P个新抗体，使 抗体总数为N+P，再根据群体更新，产生规模为N的下 一代群体。
具体过程(3)
(3)免疫算子
由前面可知免疫算子包括全免疫和目标免疫两种。对于TSP 问题，要找到适用于整个抗原(即全局问题求解)的疫苗极为 困难，所以我们采用目标免疫。具体而言，在求解问题之前 先从每个城市点的周围各点中选取一个路径最近的点，以此 作为算法执行过程中对该城市点进行目标免疫操作时所注入 的疫苗。每次遗传操作后，随机抽取一些个体注射疫苗，然 后进行免疫检测，即对接种了疫苗的个体进行检测：若适应 度提高，则继续；反之，若其适应度仍不如父代，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取代。在选择阶段，先计算其被选中 的概率，后进行相应的条件判断。
免疫算法资料
免疫算法免疫算法（Immune Algorithm）是一种基于人类免疫系统工作原理的启发式算法，通过模拟人体免疫系统的机理来解决优化问题。
人体免疫系统作为生物体内的防御系统，可以识别并消灭入侵的病原体，同时保护自身免受损害。
免疫算法借鉴了人体免疫系统的自我适应、学习和记忆等特点，将这些特点引入算法设计中，实现了一种高效的优化方法。
算法原理免疫算法中最核心的概念是抗体和抗原，抗体可以看作是搜索空间中的一个解，而抗原则是代表问题的目标函数值。
算法通过不断更新和优化抗体集合，寻找最优解。
免疫算法的工作原理主要包括以下几个步骤：1.初始化种群：随机生成一组初始解作为抗体集合。
2.选择和克隆：根据适应度值选择一部分优秀的抗体，将其进行克隆，数量与适应度成正比。
3.变异和超克隆：对克隆的抗体进行变异操作，引入随机扰动，形成新的候选解。
超克隆即通过一定规则保留部分克隆体，并淘汰弱势克隆体。
4.选择替换：根据新生成解的适应度与原有解的适应度进行比较，更新抗体集合。
应用领域免疫算法由于其模拟人体免疫系统的独特性，被广泛应用于复杂优化问题的求解，如工程优化、图像处理、模式识别、数据挖掘等领域。
免疫算法在这些领域中具有很强的适用性和可扩展性，能够有效地解决局部最优和高维空间搜索问题。
在工程优化方面，免疫算法可以用来解决设计问题、调度问题、控制问题等，提高系统的性能和效率；在图像处理领域，免疫算法可以用来实现图像分割、特征提取、目标识别等任务，有效处理大规模图像数据；在数据挖掘领域，免疫算法可以发现数据之间的潜在关联和规律，帮助用户做出决策。
发展趋势随着人工智能技术的快速发展，免疫算法在解决复杂问题中的优势逐渐凸显。
未来，免疫算法将继续深化与其他优化算法和机器学习领域的整合，发展出更加高效和智能的算法模型。
同时，随着计算机性能的提升和算法理论的不断完善，免疫算法在实际应用中将展现出更广阔的应用前景。
综上所述，免疫算法作为一种启发式优化算法，在工程优化、图像处理、数据挖掘等领域具有广泛的应用前景。
免疫算法公式
免疫算法公式免疫算法是一种新型的优化算法，其基本思想是模拟生物体免疫系统对外界刺激的反应过程，以实现优化问题的求解。
免疫算法涉及到一些基本的公式，包括：1. 抗体与抗原的亲和度计算公式亲和度是指抗体与抗原之间相互作用的强度，通常使用欧几里得距离或哈密顿距离来计算。
欧几里得距离公式如下：$d(x,y)=sqrt{(x_1-y_1)^2+(x_2-y_2)^2+...+(x_n-y_n)^2}$ 其中，$x$和$y$代表两个向量，$n$代表向量维数。
2. 抗体的亲和力更新公式抗体的亲和力可以通过适当的更新策略来调整，以达到最优解。
典型的更新公式包括：$aff_j=aff_j+alphacdot(aff_i-aff_j)$其中，$aff_i$和$aff_j$分别代表两个抗体的亲和力值，$alpha$是调整因子。
3. 克隆选择算子公式克隆选择算子是免疫算法中的核心操作，它通过复制和选择策略来增加优秀抗体的数量。
克隆选择算子的基本公式如下：$n_i=frac{p_i}{sum_{j=1}^Np_j}$其中，$n_i$代表第$i$个抗体的克隆数量，$p_i$代表抗体$i$的适应度值，$N$代表总抗体数量。
4. 基因重组算子公式基因重组算子是免疫算法的另一个重要操作，它通过随机交换抗体基因的方式来产生新的解。
基因重组算子的公式如下：$x_k=left{begin{aligned}&x_{i,k},&rand()<p_c&x_{j,k},&rand( )>=p_cend{aligned}right.$其中，$x_{i,k}$和$x_{j,k}$分别代表两个抗体在第$k$个基因位置的取值，$p_c$是交叉概率，$rand()$是一个均匀分布的随机数。
以上是免疫算法中一些常用的公式，它们在免疫算法的求解过程中起到非常重要的作用。
免疫算法介绍PPT课件
应用领域
免疫算法在多个领域得到广泛应用，如组 合优化、机器学习、数据挖掘、电力系统、 生产调度等。
研究现状
目前，免疫算法的研究已经取得了一定的 成果，但仍存在一些挑战和问题，如算法 的收敛速度和稳定性等。
研究展望
理论完善
未来研究将进一步完善免疫 算法的理论基础，包括免疫 系统的数学模型、算法的收 敛性和稳定性分析等。
缺点分析
计算量大
参数设置复杂
免疫算法需要进行大量的迭代和计算，尤 其在处理大规模优化问题时，计算量会变 得非常大，导致算法的运行时间较长。
免疫算法涉及的参数较多，参数设置对算 法的性能影响较大，如果参数设置不当， 可能导致算法的性能下降甚至无法收敛。
对初始解敏感
适用性问题
免疫算法对初始解有较强的依赖性，如果 初始解的质量较差，可能会导致算法陷入 局部最优解或无法收敛。
新方法探索
跨领域应用
针对免疫算法的改进和变种， 未来研究将探索新的免疫算 法，如基于免疫遗传算法、 免疫粒子群算法等。
随着大数据、人工智能等技 术的快速发展，免疫算法有 望在更多领域得到应用，如 医疗诊断、金融风控等。
与其他算法融合
未来研究将探索免疫算法与 其他优化算法的融合，如混 合算法、协同进化等，以提 高算法的性能和适应性。
控制系统
优化控制系统的参数，提高系 统的性能和稳定性。
02
免疫算法的基本原理
生物免疫系统概述
生物免疫系统是生物体内一套复杂的防御机制，用于识别和清除外来物质，维持内 环境稳定。
免疫系统由免疫器官、免疫细胞和免疫分子组成，具有高度的组织结构和功能分化。
免疫应答是免疫系统对外来抗原的识别、记忆和清除过程，分为非特异性免疫和特 异性免疫两类。
免疫算法
二、免疫算法的基本模型及算法
• 2.二进制模型
主要涉及识别和刺激两个内容
识别：每个抗体可以用（e,p）的二进制串表示，e 表示抗原决定基，p表示抗体决定簇，长度分别为 le 和 l p（所有抗体或抗原的这两个长度都形同），s 表示一个匹配阈值。
二、免疫算法的基本模型及算法
• 2.二进制模型
主要涉及识别和刺激两个内容
免疫算法
（作者姓名）
免疫算法
• 一、免疫算法的生物学原理 • 二、免疫算法的基本模型及算法 • 三、常用的免疫算法 • 四、免疫算法的简单应用
一、免疫算法的生物学原理——免疫系统
一、免疫算法的生物学原理——免疫系统
• 1.基本概念
免疫系统
是由许多分布式的具有一定功能的个体（T细胞、B细胞、 抗体和细胞因子等）通过相互作用形成的一个复杂的动态大 系统的典型例子，具有个体特异性（一种免疫细胞仅对特定 的抗原起作用）和整体多样性（免疫系统几乎对所有抗原都 能进行处理）的双重特点，具备学习、记忆、自我调整、模 式识别和特征提取能力。
xi' = c[∑ m ji xi x j − k1 ∑ mij xi x j + ∑ m ji xi y j ] − k 2 xi
j =1 j =1 j =1
N
N
N
二、免疫算法的基本模型及算法
• 3.免疫算法的基本步骤
(1)识别抗原：免疫系统确认抗原入侵。 抗
(2)产生初始抗体群体：激活记忆细胞产生抗体，清除以 前出现过的抗原，从包含最优抗体(最优解)的数据库中 选择出N个抗体。
二、免疫算法的基本模型及算法
• 3.免疫算法的基本步骤
(3)计算亲和力：计算抗体和抗原之间，抗体与抗体之间 的亲和力 a.抗体v与抗原的亲和度为
免疫算法介绍
30
扩展：人工免疫系统
AIS在故障诊断中的应用
基于相关识别特性的免疫网络模型用于故障诊断的方 法（Ishida）； 通过构造大规模独特型免疫网络来建立用于在线服务 的故障诊断系统（Ishiguru）。
31
扩展：人工免疫系统
AIS在优化设计中的应用
永磁同步电动机的参数修正的优化设计； 电磁设备的外形优化； VLSI印刷线路板的布线优化设计； 函数测试； 旅行商问题的求解；
14
免疫算法 免疫算法
一般的免疫算法可分为三种情况:
模仿免疫系统抗体与抗原识别，结合抗体产生过程而 抽象出来的免疫算法; 基于免疫系统中的其他特殊机制抽象出的算法，例如 克隆选择算法; 与遗传算法等其他计算智能融合产生的新算法，例如 免疫遗传算法。
15
免疫算法 免疫算法
免疫算法的一般步骤
扩展：人工免疫系统
在生物科学领域，人们对进化、遗传和免疫等自然 现象已 经进行了广泛而深入的研究 ； 进化算法是建立在模仿生物遗传与自然选择基础上的一种 并行优化算法，其性能优异、应用广泛；
进化算子在为每个个体提供了进化机会的同时，也无可避 免地产生了退化的可能；
大多数待求问题有可以利用的先验知识或特征信息，故可 以利用这些信息来抑制进化过程中的退化现象； 生物免疫理论为改进原有算法的性能，建立集进化与免疫 机制于一体的新型全局并行算法奠定了基础。
应用
故障诊断
模式识别
图象识别
优化设计
机器学习
网络安全
29
扩展：人工免疫系统
AIS在控制领域中的应用
PID型免疫反馈控制器（ Takahashi ）； 机器人控制（ Mitsumoto, Ishiguro, Lee）；
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第4讲免疫算法学习目的：了解和掌握免疫算法的基本思想和流程，解决优化等实际问题学校要点：一般免疫算法、免疫克隆选择算法、免疫网络算法，免疫调度算法，其他改进的免疫算法。
免疫算法在调度等优化问题方面的应用。
内容概述：免疫算法没有统一的模式，即使在生物学基础上也不是统一的。
它与遗传算法等传统自然计算或计算智能方法的差别在于，遗传算法、人工神经网络等方法是基于单一的生物学理论而发展，比如进化论、人脑的神经网络结构。
而免疫算法的生物学基础是多样的，比如免疫网络、克隆选择理论、阴性选择等，基于这些免疫学理论或机制已经开发出多种形式的算法模型。
它是人工免疫系统的主要研究内容，也是免疫计算的主要形式。
免疫算法是面向问题的方法，因此从人工免疫系统发展以来，已经有许多用于不同领域的免疫算法开发出来[3][4][5][6][7]，多数利用免疫系统的某一方面机制或原理设计新算法，或者改进现有技术。
所依据的原理基本是传统的免疫学理论，因此免疫算法从启发源角度大致大致可以分为三类：免疫网络模型（分连续和离散两种形式）、克隆选择、阴性选择。
代表性的主要有一般免疫算法[8]、早期的骨髓模型[9]、De Castro提出的克隆选择算法[10]、Forrest提出阴性选择算法[11]，De Castro提出的人工免疫网络算法（aiNet）等[12]。
此外，文献[13]中提出了B细胞算法，文献[14]最早提出了基于疫苗概念的免疫算法。
文献[15][16]分别对免疫算法进行了较为深入的研究。
多数免疫算法都是针对优化问题展开研究，具体见第9、10章。
上述免疫算法可进一步分为两类：基于群体的和基于网络的。
第一类包括所有不考虑免疫网络的免疫算法，如阴性选择、克隆选择算法等，基于网络的算法是所有受免疫系统网络理论启发的算法。
一般免疫算法本质上是基于网络的算法。
图4.1 免疫算法与搜索算法4.1 一般免疫算法一般免疫算法描述定义7.1 一般免疫算法是基于免疫网络理论而开发的一种优化算法。
与遗传算法在算子设计上有类似之处。
其基本要素和流程等可以描述如下：),,,,,,,,,(τζΩB A ∑M S f G IA∑：搜索空间（形态空间）(抗体 )；G ：表示空间 (抗体抗原表示方法)；A ：抗体集合；B ：抗原集合；f ：亲合力函数；S ：相似度函数；M ：记忆机制；Ω：免疫算子（变异、重组等）；ζ：选择百分比；τ：终止条件。
在使用免疫算法解决问题时，一般各个步骤有对应形式：抗原对应要解决问题数据输入如目标、约束；抗体对应优化问题的最优解；亲合力对应解的评估、结合强度的评估；记忆细胞分化对应保留优化解，抗体促进和抑制对应优化解促进，非优化解的删除等；抗体产生对应优化解的出现等。
对应内容因解决问题对象不同而内容各异。
为了叙述算法方便，定义B 为输入抗原；A 为包含有n 个网络单元(抗体)的集合；A M ∈为N 个记忆单元；Af 为抗原、抗体之间的亲合力向量函数；S 为抗体抗体之间的相似度矩阵；ζ为选择成熟分子的比率；ds σ为相对自然死亡或衰减的阈值。
则算法具体过程描述如下[18]：1.抗原输入输入待解问题抗原，抗原输入一般将目标函数和各种约束作为算法的抗原B2.产生初始抗体群体()A t3.计算亲合力群体未变，分别计算抗原和抗体之间的亲合力及抗体和抗体之间的相似度。
抗体和抗体相似度的度量一般采用解空间中的距离：||||,1,2,...,ij i j s a a i n =-= (4.1)12|,,...,|n Af Af Af Af = (4.2)4.记忆细胞分化更新记忆单元选择ζ％个与抗原的亲合性高的抗体加入到记忆单元中。
由于记忆单元数目有限，清除那些与抗原亲合力低于ds σ 以及较大密度的记忆单元(抗体的自然死亡)5.抗体促进和抑制6.抗体产生 ()A t →Ω→(1)A t +7.终止条件一般设置为最大迭代次数或求解精度或者二者的结合，获得问题解图4.2 一般免疫算法第2步中，初始抗体通常是在解空间中用随机的方法产生。
与进化算法相似，一般需要对抗体进行编码，并且遵循完备性、健全性、和非冗余性要求。
第3步中，比如二进制编码情况，一般采用海明距离表示，实数编码采用欧氏距离等，其他各种距离方法可参见第15章。
抗原和抗体之间的亲合力则采用抗体对抗原的适应程度(即候选解和目标函数的匹配程度).其中步骤4中定义抗体记忆矩阵与抗原的平均适应度为∑==n i i AfM AAf 1)( (4.3)因此，))(())1((t M AAf t M AAf ≥+ (4.4)第5步中，高亲合力抗体受到促进，高浓度抗体受到抑制。
群体分化产生新抗体。
一般来讲，与抗原亲合性高的抗体和低密度的抗体生存机率较大，但是，为了有利于优化过程的进行，某些与抗原有较高亲合性的抗体也必须受到抑制，从而体现了抗体克隆控制机制的多样性。
可以再随机产生新的抗体，也可以通过变异和交叉产生进入下一代的抗体，并将M 加入新抗体群落，祛除那些亲合力低于的记忆单元。
第6步通过交叉等算子变异产生多种抗体。
上述步骤5、6实现了对抗体产生过程的控制，如果步骤6没有采用遗传操作，则该一般免疫算法仅体现免疫网络理论；若通过变异和交叉产生新的抗体，则是进化算法的改进[18]。
在上述算法中，如果抗体也采用类似进化算法的编码方法，而且新抗体的产生也主要通过交叉和变异来实现，则同样有类似进化算法的模板理论[18]：)]((*)(1)(1[)(),()1,(S Af G P P S O l S P Af S Af t S t S s m C ⋅----≥+δξξ (4.5) 式中，S 为抗体模式，l 为模式长度，O 为模式阶，δ为模式的定义距，Af 为抗体与抗原的亲合力，c P 为交叉概率，m P 为变异概率，为抗体选择时因为保持多样性而促进或抑制时形成的选择概率，G 为与亲合力有关的函数。
在应用中，根据具体问题，研究人员对上述免疫算法进行不同的改进或变化，比如与遗传算法结合，利用遗传算子产生多样抗体等，以符合解决具体问题需要，从而发展出多种形式的免疫算法，但基本上都遵循这六个步骤。
注意免疫细胞识别抗原的不完全匹配性，即免疫细胞识别抗原的过程就是与抗原匹配并结合的过程，这种匹配不要求二者的完全匹配，只要这种匹配所导致的亲合力大于某一固定的阈值即可。
基于不完全匹配性，一种免疫细胞可以识别多种不同的抗原。
形态空间理论可以对识别多样性作出合理解释。
与遗传算法主要区别在于：生物启发机制不同，一个是免疫学，一个是进化论。
解的进化方式不同，包括解的适应性度量、进化解的算子等。
文献[19]对一般免疫算法的优缺点进行了较详细的分析，文献[20]针对一般免疫算法中基于信息熵的浓度计算缺陷提出了四点改进。
一般免疫算法可分为两种形式，一种是基于信息熵度量亲合力，保持多样性的免疫算法，以下简称为信息熵免疫算法，另一种为基于距离矢量度量抗体浓度，保持多样性的免疫算法，简称为矢量矩免疫算法，本质上都是基于距离的一般免疫算法。
4.2信息熵免疫算法基于信息熵的免疫算法的突出特点是利用信息熵度量和保持候选解的多样性，这种操作方式与遗传算法有明显区别。
4.2.1 算法描述[21]该算法实现步骤如图7.4下：1.识别抗原(问题)对问题及其解的特性进行分析和了解，进行抗体编码。
初始群体的产生，在记忆库空的情况下，即随机产生；否则就以记忆库为基础产生2.产生群体解第一次迭代时，在解空间中随机产生N 个抗体，并从记忆库中提取k N 个抗体构成初始抗体群体，其中k N 为记忆库中抗体的数量，如果记忆库中没有抗体，则随机产生k N N 个初始抗体构成初始群体。
如果不是首次迭代，则对原有抗体群体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的抗体共同构成新一代抗体群体3.对各抗体进行评价4.抗体促进和抑制5.判断暂时解集是否已满若还没有达到N 个，则转到步骤3，对剩余的解群体重新评价。
由于前面消除了两个极端抗体，所以再次评价解群体才能体现真实性和动态性。
若暂时解集已满，则进行下一步操作6.记忆细胞产生这一步形成父代群体，由于暂时解集中暂存了经过动态选择的较优群体，所以此时抛弃剩余解群体，而将暂时解集更新到解群体。
同时从暂时解集取其前k N 个较优抗体存入记忆库中。
最后，清除暂时解集7.抗体解产生最后判断是否满足约束条件若满足，则结束；否则，转到步骤2图4.3 信息熵免疫算法步骤4对应抗体的促进和抑制。
为了防止浓度较高的较优解一次性全部被消除所导致的后期收敛速度下降，该算法引入一个新的群体——暂时解集，其容量为N 。
将解群体按v e 降序排列，消除v e 值最小的一个抗体，同时把v e 值最大的抗体作为暂时最优解转移到暂时解集中，这样每次使解群体减少两个极端抗体，分多次动态促进和抑制抗体群体。
步骤7中，抗体解产生操作一般采用变异和选择算子，与遗传算法类似。
但是，免疫系统中抗体是基于单个细胞内基因库的重组、变异而产生多样性的。
因而，采用父代交叉算子并不符合免疫原理，许多改进算法加入该算子可看作是免疫算法中结合遗传算法的交叉算子。
关于算法的参数设定比如变异率等，对算法性能的影响是值得研究的问题，尤其是对于参数不断变化的免疫算法，更为复杂。
其中步骤3中，如果以抗体的亲合力评价为标准，当群体中的某个抗体占据了相当规模，而又不是最优解时，就极易导致过早收敛。
为此，当有些抗体的规模达到一定程度后，就要对其进行限制，以防过早收敛。
同时，也要相应提高规模小的抗体的产生，把算法引向全局搜索。
该算法采用抗体浓度来抑制规模比较大又不是最优解的抗体，并且以信息熵作为度量亲合力的指标，以抗体的期望繁殖率作为评价抗体的标准。
抗体1抗体抗体N图4.4 抗体基因的平均信息量(熵)免疫系统中的抗体多样性可以利用信息熵的概念表现[228]。
设一个免疫系统由具有M 个基因的N 个抗体组成，}1,0{∈j k ，如图7.5所示。
根据信息学理论，第j 个基因的平均信息量（entropy ）)(N E j 可以计算为：)1log()(1ijN i ij j P P N E ∑== （4.6） 其中ij P 是第i 个等位基因（allele ）来自第j 个基因的概率。
注意在第j 个基因的所有等位基因都是同样形式，平均信息量等于零。
平均信息量由此可以看做一种度量免疫系统中认知多样性的方法。
利用信息熵的概念情况下，一个说明抗原和抗体之间的关系，即目标和解之间结合强度；另一个负责抗体之间的协同关联程度，表达如下：)2(11)(E A ij b += （4.7） 其中ij b A )(是第i 个抗体和第j 个抗体之间的亲合力。
)2(E 是抗体i 和抗体j 的平均信息量。