▏人工免疫算法[教学学习]

1、免疫进化理论的研究,1,上课使用,主要内容, 研究背景与现状； 免疫进化算法； 免疫神经网络；,2,上课使用,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。,3,上课使用,Artificial Immune

2、SystemAIS,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）。,4,上课使用,一门新兴的研究领域。,AIS的研究历史,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。,5,上课使用,人工免疫网络模型,AIS的研究现状之一,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）.,6,上课使用, 免疫学习算法,AIS的研究现状之二,反面选择算法（Fo

3、rrest）； 免疫学习算法（Hunt else ； i = i +1； 退火选择： ； k = k+1； End,免疫算子的执行算法,31,上课使用,具体分析待求问题，搜集特征信息。,免疫疫苗的选取方法,通用方法,之一,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。,32,上课使用,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

4、。,33,上课使用,TSP问题的分析,设所有与城市Ai距离最近的城市为Aj,进行一次如虚线所示的调整后,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：,34,上课使用,Begin: while (Conditions = True) 统计父代群体，确定最佳个体： ; 分解最佳个体，抽取免疫基因： ; 执行遗传和免疫算子操作; end,免疫疫苗的选取方法,自适应方法,之二,35,上课使用,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,

5、 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,免疫疫苗的选取方法,进化规划方法,之三,36,上课使用,仿真实验,基于IA的TSP求解,之一,a. 免疫抗体b. 最优

6、化路径 75城市的TSP问题免疫优化仿真示意图,37,上课使用,子代适应度值随进化过程的变化曲线,a 通用遗传算法计算曲线b 免疫算法计算曲线,38,上课使用,仿真实验,基于IS的TSP求解,之二,a. 免疫疫苗示意图 b. 最优路径示意图 442城市的TSP问题免疫优化仿真示意图,39,上课使用,子代适应度值随进化过程的变化曲线,a (,2 )-ES计算曲线 b ( ,2 )-IS 计算曲线,40,上课使用,仿真实验,基于IE的函数优化,之三,问题: 在(0,1)内寻找 xmax使下式成立:,41,上课使用,接受正常免疫疫苗时的计算曲线,(a) 基于EP的进化过程中个体分布图; (b) 基于IP的进化过程中个体分布图 (c) EP和IP所求得的最佳适应度对比图 (d) EP和IP所求得的平均适应度对比图,42,上课使用,免疫疫苗为 时的