人工免疫算法

免疫规划的收敛性
状态转移过程示意图：
Ak Bk Ck Ak 1
定 义：如果对于任意的初始分布均有
k
高斯变异
接种疫苗
免疫选择
lim
则称算法收敛。
si X *

i P{ Ak } 1
定 理：免疫规划是收敛的。
免疫策略
Immune Strategy---IS
基本概念
染色体
表示待求问题的解的形式的一种数据结构。 基因 构成染色体的最基本的数据单位。 个体 具有某类染色体结构的一种特例。
基本概念
抗原
所有可能错误的基因，即非最佳个体的基因。
疫苗
根据进化环境或待求问题的先验知识，所得 到的对最佳个体基因的估计。 抗体 根据疫苗修正某个个体的基因所得到的新个 体。
a ik a i , k H
免疫疫苗的选取方法 之一 通用方法
具体分析待求问题，搜集特征信息。
以TSP问题为例，通过具体分析可 以得出相邻两两城市之间的最短路径即 为求解该问题时可以利用的一种疫苗。
TSP问题的描述
TSP问题是旅 行商问题的简称。 即一个商人从某 一城市出发，要 遍历所有目标城 市，其中每个城 市必须而且只须 访问一次。所要 研究的问题是在 所有可能的路径 中寻找一条路程最短的路线。该问题是一个典型的NP问题， 即随着规模的增加，可行解的数目将做指数级增长。
TSP问题的分析
设所有与城市Ai距离最近的城市为Aj,
D
a
k 1
i 1
k
ai
k i 1
a
j 2
k
a j 1 a j
k j 1
a
N
N
k
进行一次如虚线所示的调整后,
D c
a
k 1
i 1
k
l1 l 2
k i 1
a
j 2
k
l3
生物免疫的启示
• 在生物自然界中，免疫现象普遍存在，并对物种的 生存与繁衍 发挥着重要的作用； • 生物的免疫功能主要是由参与免疫反应的细胞或由 其构成的器官来完成的； • 生物免疫主要有两种类型： 特异性免疫（Specific Immunity）， 非特异性免疫反应（Nonspecific Immunity）； • 生物免疫系统是通过自我识别、相互刺激与制约而 构成了一个 动态平衡的网络结构 。
k j 1
a
k
多数情况下， l3较aj-1 + aj的减少量要大于l1 + l2较ai的增加量。
故： P D c D P D c D




免疫疫苗的选取方法 之二 自适应方法 Begin:
while (Conditions = True) 统计父代群体，确定最佳个体： optimal i ak Statistics(ak |i 1,, n) ; 分解最佳个体，抽取免疫基因： optimal H {h j ak , j j 1,2,, m} ; 执行遗传和免疫算子操作; end
免疫策略的收敛性
状态转移过程示意图：
Ak Bk Ck Dk Ak 1
定 义：如果对于任意的初始分布均有
k
交叉
变异
免疫
选择
lim
si X *

i P{ Ak } 1
则称算法收敛。
定 理：免疫策略是收敛的。
免疫算子的机理
定 理：
出 最基本的特征信息；
其次，对此特征信息进行处理，以将其转化为
求解问题的一种方案；
最后，将此方案以适当的形式转化成 免疫算子
以实施具体的操作。
免疫算子
了提高适应度
The Immune operator
算法中的免疫思想主要是在合理提取疫苗 的基础上，通过免疫算子来实现的； 免疫算子由 接种疫苗 和 免疫选择 两个操 作完成的。
为了提高个体 的适应度。 为了防止群体 的退化。
免疫算子
之
接种疫苗
设个体x，给其接种疫苗是指按照先验知 识来修改x的某些基因位上的基因或其分量， 使所得个体以较大的概率具有更高的适应度。 疫苗 是从先验知识中提炼出来的，它所含的 信息量及其准确性对算法性能的发挥起着重 要的作用。
免疫算子
之
免疫检测
• • • • • 根据要求确定解的精度，再根据先验知识抽取疫苗H； 随机产生个个体作为初始的父本群体； 交叉：产生由父代和子代构成的规模为2的中间群体； 变异：对每一个个体进行变异将得到一个新的个体； 免疫：首先按照对问题的先验知识修改个体(x,)的某 些分量；然后对群体中注射了疫苗的个体进行检测； • 选择：从规模为2的群体中按适应度的大小取出前 个个体作为新一代父本的群体； • 停机条件检测。
Immune Programming---IP
• 初始化：首先，根据要求确定解的精度；其次，随机 产生N个个体，并由此构成初始的父代种群A0； • 根据先验知识抽取疫苗H； • 计算当前种群Ak 的个体适应度，并进行停机条件的判 断。若条件满足，则停止运行并输出结果；否则继续； • 对当前的父代群体Ak进行变异操作，生成子代群体Bk ； • 对群体Bk进行接种疫苗操作，得到种群Ck； • 对群体Ck 进行免疫选择操作，得到新一代父本Ak+1， 并转至第三步。
免疫生物学的基本概念
抗原 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。 抗体 是指免疫系统受抗原刺激后，免疫细胞转化为 浆细胞并产生能与抗原发生特异性结合的免疫 球蛋白，该免疫球蛋白即为抗体。
免疫系统的主要功能
免疫防御 即机体防御病原微生物的感染； 免疫（自身）稳定 即机体通过免疫功能经常消除那些损伤和衰老 的细胞以维持机体的生理平衡；
人工智能信息处理 系统的研究
• • • 脑神经系统（神经网络）； 遗传系统（进化计算）； 免疫系统（人工免疫系统）。
Artificial Immune System－AIS
AIS的研究历史
• 一门新兴的研究领域。 Farmer等人在1986年首先在工程领 域提出免疫概念； Varela等人受免疫网络学说的启发， 提出并进而完善免疫网络模型。
免疫思想的实现 免疫算子
免疫算子有两种类型： 全免疫 非特异性免疫 目标免疫 特异性免疫
即：群体中的每个个体在进化算子作用后，对其 每一环节都进行一次免疫操作的免疫类型； 即：在进行了进化操作后，经过一定的判断，个 体仅在作用点处发生免疫反应的一种类型。
免疫操作的基本过程
首先，对待求求问题进行具体分析，从中提取
仿真实验 之一 基于IA的TSP求解
80 60
40
20
0 0 20 40 60 80
a. 免疫抗体 b. 最优化路径 75城市的TSP问题免疫优化仿真示意图
子代适应度值随进化过程 的变化曲线
在免疫选择作用下，若疫苗使抗体 适应度得到提高，且高于当前群体的平 均适应度，则疫苗所对应的模式将在群 体中呈指数级扩散；否则，它将被遏制 或呈指数级衰减。
免疫算子的执行算法
Begin: 抽取疫苗： 分析待求问题，搜集特征信息； 依据特征信息估计特定基因位上的模式: H {h j j 1,2,, m}； k = 0 and j = 0； while (Conditions = True) if {PV}=True, then j = j +1； i = 0； for (i≤n) i ai ,k V{ PI } {ak , h j }； 接种疫苗： H i i 免疫检验：if ai , k ak 1 , then aik ak 1 ; else aik ai , k ； H H i = i +1； 退火选择： Ak 1 S ( Ak ) ； k = k+1； End
•
AIS的研究现状之一

• • • • •
人工免疫网络模型
独特型免疫网络（Jerne）； 互联耦合免疫网络（Ishiguro）； 免疫反应网络（Mitsumoto）； 对称网络（Hoffmann）； 多值免疫网络（Tang）.
AIS的研究现状之二
免疫学习算法
• • • • • •
反面选择算法（Forrest）； 免疫学习算法（Hunt&Cooke）； 免疫遗传算法（Chun）； 免疫Agent算法（Ishida）； 免疫网络调节算法（Wang&Cao）； 免疫进化算法（Jiao&Wang）.
免疫算法的收敛性
状态转移过程示意图：
Ak Bk Ck Dk Ak 1
定 义：如果对于任意的初始分布均有
k
交叉
变异
接种疫苗
免疫选择
lim
则称算法收敛。
si S *

i P{ Ak } 1
定 理：免疫算法是收敛的。
免疫规划
免疫监视 即机体Baidu Nhomakorabea过免疫功能防止或消除体内细胞在新 陈代谢过程中发生突变的和异常的细胞。
免疫系统的主要特点
免疫识别


免疫应答
免疫耐受

免疫记忆
免疫调节
算法研究
方法：
生物学概念与理论
工程计算方法
进化＋免疫
传统进化算法是在一定发生概率的条件下， 随机地、没有指导地迭代搜索，因此它们在 为群体中的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。 每一个待求的实际问题都会有自身一些基本 的、显而易见的特征信息或知识。然而进化 算法中的交叉和变异算子在求解问题时，操 作的可变程度较小。

i 1
体系结构
• 免疫算法 • 免疫规划 • 免疫策略
免疫算法
Immune Algorithm---IA
• 随机产生初始父代种群A1 ，根据先验知识抽取疫苗； • 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； • 对当前第k代父本种群Ak 进行交叉操作，得到种群Bk； • 对Bk进行变异操作，得到种群Ck； • 对Ck进行接种疫苗操作，得到种群Dk； • 对Dk进行免疫选择操作，得到新一代父本Ak+1，转至 第二步。
免疫进化理论的研究
主要内容
研究背景与现状；
免疫进化算法；
免疫神经网络；
研究背景


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。
这一操作一般分两步完成：第一步是 免疫 检测 ，即对接种了疫苗的个体进行检测，若其 适应度仍不如父代，则该个体将被父代中所对应 的个体所取代；第二步是 退火选择 ，即在目前 f ( xi ) 的子代群体中以右边所示概率 Tk e 选择个体进入新的父代群体。 ( x ) P i n0 f ( xi ) 在免疫策略中，仅有免疫检 Tk e 测而没有退火选择。
免疫疫苗的选取方法 之三 进化规划方法 Begin:
邻近城市序列初始化：Neighbor(i) = random(1, n) , i =1, …, n; 最短子路径的初始化：Sub_path(i) i =1,…, n; while (Conditions = True) for i = 1 to n 变异： Neighbor(i) = Floor(Gauss(Neighbor(i), 1 ) ) ; 选择：if Distance(City_ i, Neighbor(i))< Min_distance(i) then Sub_path(i) = Neighbor(i); Min_distance(i) = Distance(City_ i, Neighbor(i)); end end end
AIS的研究现状之三
• 国际研究 1996年，日本，基于免疫性系统的国 际专题讨论会，提出并确认人工免疫 系统（AIS）的概念； 1997年，IEEE的SMC组织专门成立 了人工免疫系统及应用的分会组织； 目前，几乎所有有关人工智能领域的 学术会议都收录AIS方面的论文。
• •
免疫进化算法的研究