1、主要內容 研究背景與現狀; 免疫進化算法; 免疫神經網絡;2021/5/41主要內容 研究背景與現狀;2021/5/41研究背景在生物科學領域,人們對進化、遺傳和免疫等自然 現象已經進行了廣泛而深入的研究 ;進化算法是建立在模仿生物遺傳與自然選擇基礎上的一種并行優化算法,其性能優異、應用廣泛;進化算子在為每個個體提供了進化機會的同時,也無可避免地產生了退化的可能;大多數待求問題有可以利用的先驗知識或特征信息,故可以利用這些信息來抑制進化過程中的退化現象;生物免疫理論為改進原有算法的性能,建立集進化與免疫機制于一體的新型全局并行算法奠定了基礎。2021/5/42研究背景在生物科學領域,人們對進化

2、、遺傳和免疫等自然 現象已Artificial Immune SystemAIS人工智能信息處理系統的研究腦神經系統（神經網絡）;遺傳系統（進化計算）;免疫系統（人工免疫系統）。2021/5/43Artificial Immune SystemAIS人工一門新興的研究領域。AIS的研究歷史Farmer等人在1986年首先在工程領域提出免疫概念;Varela等人受免疫網絡學說的啟發,提出并進而完善免疫網絡模型。2021/5/44一門新興的研究領域。AIS的研究歷史Farmer等人在1人工免疫網絡模型AIS的研究現狀之一獨特型免疫網絡（Jerne）;互聯耦合免疫網絡（Ishiguro）;免疫反應網

3、絡（Mitsumoto）;對稱網絡（Hoffmann）;多值免疫網絡（Tang）.2021/5/45人工免疫網絡模型AIS的研究現狀之一獨特型免疫網絡（Je 免疫學習算法AIS的研究現狀之二反面選擇算法（Forrest）;免疫學習算法（Hunt&Cooke）;免疫遺傳算法（Chun）;免疫Agent算法（Ishida）;免疫網絡調節算法（Wang&Cao）;免疫進化算法（Jiao&Wang）.2021/5/46 免疫學習算法AIS的研究現狀之二反面選擇算法（Forr 國際研究AIS的研究現狀之三1996年,日本,基于免疫性系統的國際專題討論會,提出并確認人工免疫系統（AIS）的概念;1997年

4、,IEEE的SMC組織專門成立了人工免疫系統及應用的分會組織;目前,幾乎所有有關人工智能領域的學術會議都收錄AIS方面的論文。2021/5/47 國際研究AIS的研究現狀之三1996年,日本,基于免疫免疫進化算法的研究2021/5/48免疫進化算法的研究2021/5/48生物免疫的啟示在生物自然界中,免疫現象普遍存在,并對物種的 生存與繁衍 發揮著重要的作用;生物的免疫功能主要是由參與免疫反應的細胞或由其構成的器官來完成的;生物免疫主要有兩種類型: 特異性免疫（Specific Immunity）, 非特異性免疫反應（Nonspecific Immunity）;生物免疫系統是通過自我識別、相互

5、刺激與制約而構成了一個 動態平衡的網絡結構 。 2021/5/49生物免疫的啟示在生物自然界中,免疫現象普遍存在,并對物種的 免疫生物學的基本概念 抗原是指能夠刺激和誘導機體的免疫系統使其產生免疫應答,并能與相應的免疫應答產物在體內或體外發生特異性反應的物質。 抗體是指免疫系統受抗原刺激后,免疫細胞轉化為漿細胞并產生能與抗原發生特異性結合的免疫球蛋白,該免疫球蛋白即為抗體。2021/5/410免疫生物學的基本概念 抗原2021/5/410免疫系統的主要功能 免疫防御即機體防御病原微生物的感染; 免疫（自身）穩定即機體通過免疫功能經常消除那些損傷和衰老的細胞以維持機體的生理平衡; 免疫監視即機體

6、通過免疫功能防止或消除體內細胞在新陳代謝過程中發生突變的和異常的細胞。2021/5/411免疫系統的主要功能 免疫防御2021/5/411免疫系統的主要特點免疫識別免疫應答免疫耐受免疫記憶免疫調節2021/5/412免疫系統的主要特點免疫識別2021/5/412算法研究生物學概念與理論方法:工程計算方法2021/5/413算法研究生物學概念與理論方法:工程計算方法2021/5/41進化免疫傳統進化算法是在一定發生概率的條件下,隨機地、沒有指導地迭代搜索,因此它們在為群體中的個體提供了進化機會的同時,也無可避免地產生了退化的可能。 每一個待求的實際問題都會有自身一些基本的、顯而易見的特征信息或知

7、識。然而進化算法中的交叉和變異算子在求解問題時,操作的可變程度較小。2021/5/414進化免疫傳統進化算法是在一定發生概率的條件下,隨機地、基本概念染色體表示待求問題的解的形式的一種數據結構。基因構成染色體的最基本的數據單位。個體具有某類染色體結構的一種特例。2021/5/415基本概念染色體2021/5/415基本概念抗原 所有可能錯誤的基因,即非最佳個體的基因。疫苗根據進化環境或待求問題的先驗知識,所得到的對最佳個體基因的估計。抗體根據疫苗修正某個個體的基因所得到的新個體。2021/5/416基本概念抗原2021/5/416免疫算子有兩種類型:全免疫 非特異性免疫目標免疫 特異性免疫免疫

8、思想的實現 免疫算子即:群體中的每個個體在進化算子作用后,對其每一環節都進行一次免疫操作的免疫類型;即:在進行了進化操作后,經過一定的判斷,個體僅在作用點處發生免疫反應的一種類型。2021/5/417免疫算子有兩種類型:免疫思想的實現 免疫算子即:群體中的每免疫操作的基本過程首先,對待求求問題進行具體分析,從中提取出 最基本的特征信息; 其次,對此特征信息進行處理,以將其轉化為求解問題的一種方案;最后,將此方案以適當的形式轉化成 免疫算子 以實施具體的操作。2021/5/418免疫操作的基本過程首先,對待求求問題進行具體分析,從中提免疫算子 算法中的免疫思想主要是在合理提取疫苗的基礎上,通過免

9、疫算子來實現的;免疫算子由 接種疫苗 和 免疫選擇 兩個操作完成的。The Immune operator為了防止群體的退化。為了提高個體的適應度。2021/5/419免疫算子 算法中的免疫思想主要是在合理提取疫苗的基礎上,設個體x,給其接種疫苗是指按照先驗知識來修改x的某些基因位上的基因或其分量,使所得個體以較大的概率具有更高的適應度。疫苗 是從先驗知識中提煉出來的,它所含的信息量及其準確性對算法性能的發揮起著重要的作用。免疫算子接種疫苗之2021/5/420設個體x,給其接種疫苗是指按照先驗知識來修改x的某些基因位上這一操作一般分兩步完成:第一步是 免疫檢測 ,即對接種了疫苗的個體進行檢測

10、,若其適應度仍不如父代,則該個體將被父代中所對應的個體所取代;第二步是 退火選擇 ,即在目前的子代群體中以右邊所示概率免疫算子免疫檢測之選擇個體進入新的父代群體。在免疫策略中,僅有免疫檢測而沒有退火選擇。2021/5/421這一操作一般分兩步完成:第一步是 免疫檢測 ,即對接種了疫苗體系結構免疫算法免疫規劃免疫策略 2021/5/422體系結構免疫算法2021/5/422免疫算法隨機產生初始父代種群A1 ,根據先驗知識抽取疫苗;若當前群體中包含最佳個體,則算法停止運行并輸出結果;否則,繼續;對當前第k代父本種群Ak進行交叉操作,得到種群Bk;對Bk進行變異操作,得到種群Ck;對Ck進行接種疫苗

11、操作,得到種群Dk;對Dk進行免疫選擇操作,得到新一代父本Ak+1,轉至第二步。Immune Algorithm-IA2021/5/423免疫算法隨機產生初始父代種群A1 ,根據先驗知識抽取疫苗;I免疫算法的收斂性狀態轉移過程示意圖:定 理:免疫算法是收斂的。定 義:如果對于任意的初始分布均有則稱算法收斂。2021/5/424免疫算法的收斂性狀態轉移過程示意圖:定 理:免疫算法是收初始化:首先,根據要求確定解的精度;其次,隨機產生N個個體,并由此構成初始的父代種群A0;根據先驗知識抽取疫苗H;計算當前種群Ak的個體適應度,并進行停機條件的判斷。若條件滿足,則停止運行并輸出結果;否則繼續;對當前

12、的父代群體Ak進行變異操作,生成子代群體Bk;對群體Bk進行接種疫苗操作,得到種群Ck;對群體Ck進行免疫選擇操作,得到新一代父本Ak+1,并轉至第三步。免疫規劃Immune Programming-IP2021/5/425初始化:首先,根據要求確定解的精度;其次,隨機產生N個個體,免疫規劃的收斂性狀態轉移過程示意圖:定 理:免疫規劃是收斂的。定 義:如果對于任意的初始分布均有則稱算法收斂。2021/5/426免疫規劃的收斂性狀態轉移過程示意圖:定 理:免疫規劃是收免疫策略根據要求確定解的精度,再根據先驗知識抽取疫苗H;隨機產生個個體作為初始的父本群體;交叉:產生由父代和子代構成的規模為2的中

13、間群體;變異:對每一個個體進行變異將得到一個新的個體;免疫:首先按照對問題的先驗知識修改個體(x,)的某些分量;然后對群體中注射了疫苗的個體進行檢測;選擇:從規模為2的群體中按適應度的大小取出前個個體作為新一代父本的群體;停機條件檢測。Immune Strategy-IS2021/5/427免疫策略根據要求確定解的精度,再根據先驗知識抽取疫苗H;Im免疫策略的收斂性狀態轉移過程示意圖:定 理:免疫策略是收斂的。定 義:如果對于任意的初始分布均有則稱算法收斂。2021/5/428免疫策略的收斂性狀態轉移過程示意圖:定 理:免疫策略是收免疫算子的機理在免疫選擇作用下,若疫苗使抗體適應度得到提高,且

14、高于當前群體的平均適應度,則疫苗所對應的模式將在群體中呈指數級擴散;否則,它將被遏制或呈指數級衰減。定 理:2021/5/429免疫算子的機理在免疫選擇作用下,若疫苗使抗體適應度得到提高,Begin:抽取疫苗: 分析待求問題,搜集特征信息; 依據特征信息估計特定基因位上的模式: ;k = 0 and j = 0;while (Conditions = True) if PV=True, then j = j +1; i = 0; for (in) 接種疫苗: ; 免疫檢驗:if , then ; else ; i = i +1; 退火選擇: ; k = k+1;End免疫算子的執行算法2021

15、/5/430Begin:免疫算子的執行算法2021/5/430具體分析待求問題,搜集特征信息。免疫疫苗的選取方法通用方法之一以TSP問題為例,通過具體分析可以得出相鄰兩兩城市之間的最短路徑即為求解該問題時可以利用的一種疫苗。2021/5/431具體分析待求問題,搜集特征信息。免疫疫苗的選取方法通用方法之TSP問題的描述TSP問題是旅行商問題的簡稱。即一個商人從某一城市出發,要遍歷所有目標城市,其中每個城市必須而且只須訪問一次。所要研究的問題是在所有可能的路徑中尋找一條路程最短的路線。該問題是一個典型的NP問題,即隨著規模的增加,可行解的數目將做指數級增長。2021/5/432TSP問題的描述T

16、SP問題是旅行商問題的簡稱。即一個商人從某TSP問題的分析設所有與城市Ai距離最近的城市為Aj,進行一次如虛線所示的調整后,多數情況下, l3較aj-1 + aj的減少量要大于l1 + l2較ai的增加量。故:2021/5/433TSP問題的分析設所有與城市Ai距離最近的城市為Aj,進行一Begin:while (Conditions = True) 統計父代群體,確定最佳個體:; 分解最佳個體,抽取免疫基因:; 執行遺傳和免疫算子操作;end免疫疫苗的選取方法自適應方法之二2021/5/434Begin:免疫疫苗的選取方法自適應方法之二2021/5/4Begin:鄰近城市序列初始化:Neig

17、hbor(i) = random(1, n) , i =1, , n;最短子路徑的初始化:Sub_path(i) i =1, n;while (Conditions = True) for i = 1 to n 變異: Neighbor(i) = Floor(Gauss(Neighbor(i), 1 ) ) ; 選擇:if Distance(City_ i, Neighbor(i) Min_distance(i) then Sub_path(i) = Neighbor(i); Min_distance(i) = Distance(City_ i, Neighbor(i); end endend免疫疫苗的選取方法進化規劃方法之三2021/5/435Begin:免疫疫苗的選取方法進化規劃方法之三2021/5/仿真實驗基于IA的TSP求解之一a. 免疫抗體b. 最優化路徑75城市的TSP問題免疫優化仿真示意圖2021/5/436仿真實驗基于