人工免疫系統概述
二十世紀八十年代，Farmer等人率先基於免疫網絡學說給出了免疫系統的動態模型，並探討了免疫系統與其它人工智能方法的聯系，開始了人工免疫系統的研究。直到1996年12月，在日本首次舉行了基於免疫性系統的國際專題討論會，首次提出了“人工免疫系統” (AIS)的概念。隨后，人工免疫系統進入了興盛發展時期，D. Dasgupta和焦李成等認為人工免疫系統已經成為人工智能領域的理論和應用研究熱點，相關論文和研究成果正在逐年增加。1997和1998年IEEE國際會議還組織了相關專題討論，並成立了“人工免疫系統及應用分會”。D. Dasgupta系統分析了人工免疫系統和人工神經網絡的異同，認為在組成單元及數目、交互作用、模式識別、任務執行、記憶學習、系統魯棒性等方面是相似的，而在系統分布、組成單元間的通信、系統控制等方面是不同的，並指出自然免疫系統是人工智能方法靈感的重要源泉。Gasper等認為多樣性是自適應動態的基本特征，而AIS是比GA更好地維護這種多樣性的優化方法。
常見的免疫算法
免疫算法是基於免疫機理提出的高效的學習和優化算法，是AIS理論研究的重要內容之一。
1.克隆選擇算法(CSA：Clone Selection Algorithm)
由於免疫系統本身的復雜性，有關算法機理的描述還不多見，相關算子還比較少。Castro L. D.、Kim J.、杜海峰、焦李成等基於抗體克隆選擇機理相繼提出了克隆選擇算法。Nohara等基於抗體單元的功能提出了一種非網絡的人工免疫系統模型。而目前兩個比較有影響的人工免疫網絡模型是Timmis等基於人工識別球(Artificial Recognition Ball, AR概念提出的資源受限人工免疫系統(Resource Limited Artificial Immune System, RLAIS)和Leandro等模擬免疫網絡響應抗原刺激過程提出的aiNet算法。
2.免疫遺傳算法(IGA：Immune Genetic Algorithm)
免疫遺傳算法可以看作一種新型融合算法，是一種改進的遺傳算法，是具有免疫功能的遺傳算法。
3.陰性選擇算法(NSA：Negative Selection Algorithm)
陰性選擇算法基於生物免疫系統的特異性，借鑒生物免疫系統胸腺T細胞生成時的“陰性選擇”(Negative Selection)過程。通過Forrest研究一種用於檢測變數據變化的陰性選擇算法，用於解決計算機安全領域的問題。該算法通過系統對異常變化的成功監測而使免疫系統發揮作用，而監測成功的關鍵是系統能夠分清自己和非己的信息；隨機產生檢測器，刪除那些測到自己的檢測器，以使那些測到非己的檢測器保留下來。
4.B細胞網絡算法(B—cell Algorthm)
以獨特型網絡理論和克隆選擇理論為基礎。Hunt等人模擬生物免疫系統的自學習、自組織機理提出一種人工免疫網絡模型——B細胞網絡及其算法。
算法將未知問題的解看作抗原，認為只要找到能產生最高親和度的抗體的B細胞，也就找到了未知問題的解。
實驗結果證明，該算法具有較強的尋優能力並保持網絡中多種模式和諧並存，有比人工神經網絡更快更好的模式識別能力。
主要三個特點: (1)疫苗接種；2）免疫記憶；3）抗體濃度計算，抗體的抑制與促進
%%%%%%%%%%%%%%%%%%%%%%
免疫算法 matlab程序
這是免疫算法。這個算法幾乎與遺傳算法一樣，只是多用了一個免疫函數
免疫算法是遺傳算法的變體，它不用雜交，而是采用注入疫苗的方法。疫苗是優秀染色體中的一段基因，把疫苗接種到其它染色體中。
注意：標准遺傳算法的一個重要概念是，染色體是可能解的2進制順序號，由這個序號在可能解的集合(解空間)中找到可能解。
這是免疫算法的主程序，它需要調用的函數如下。
接種疫苗函數：
%function inoculateChromosome=immunity(chromosomeGroup,bacterinChromosome,parameter)
%parameter:1,隨機制取染色體接種。2，每個染色體都接種。3，每個染色體都接種，但接種的位置是隨機的
%這個函數實現對染色體的疫苗接種
%由染色體(可能解的2進制)順序號找到可能解：
%x=chromosome_x(fatherChromosomeGroup,oneDimensionSet,solutionSum);
%把解代入非線性方程組計算誤差函數：functionError=nonLinearSumError1(x);
判定程是否得解函數：[solution,isTrue]=isSolution(x,funtionError,solutionSumError);
%選擇最優染色體函數：
%[bestChromosome,leastFunctionError]=best_worstChromosome(fatherChromosomeGroup,functionError);
%誤差比較函數：從兩個染色體中，選出誤差較小的染色體
%[holdBestChromosome,holdLeastFunctionError]...
% =compareBestChromosome(holdBestChromosome,holdLeastFunctionError,...
% bestChromosome,leastFuntionError)
%為染色體定義概率函數，好的染色體概率高，壞染色體概率低
%p=chromosomeProbability(functionError);
%按概率選擇染色體函數：
%slecteChromosomeGroup=selecteChromome(fatherChromosomeGroup,p);
%父代染色體雜交產生子代染色體函數
%sonChrmosomeGroup=crossChromosome(slecteChromosomeGroup,2);
%防止染色體超出解空間的函數
%chromosomeGroup=checkSequence(chromosomeGroup,solutionSum)
%變異函數
%fatherChromosomeGroup=varianceCh(sonChromosomeGroup,0.8,solutionN);
%通過實驗有如下結果：
%1。染色體應當多一些
%2。通過概率選擇染色體，在迭代早期會有效選出優秀的染色體，使解的誤差迅速降低，
%但隨着迭代的進行，概率選擇也會導致某種染色體在基因池中迅速增加，使染色體趨同，
%這就減少了物種的多樣性，反而難以逼近解
%3。不用概率選擇，僅采用染色體雜交，采用保留優秀染色體，也可以得到解
%4。單純免疫效果不好，雜交+免疫效果比較好
程序開始運行
clear,clc;%清理內存，清屏
circleN=200;%迭代次數
format long
%%%%%%%%%%%%%%%構造可能解的空間，確定染色體的個數、長度
solutionSum=4;leftBoundary=-10;rightBoundary=10;
distance=1;chromosomeSum=500;solutionSumError=0.1;
%solutionSum:非線性方程組的元數(待解變量的個數)；leftBoundary:可能解的左邊界；
%rightBoundary:可能解的右邊界；distance:可能解的間隔，也是解的精度
%chromosomeSum:染色體的個數；solveSumError:解的誤差
oneDimensionSet=leftBoundary:distance:rightBoundary;
%oneDimensionSet:可能解在一個數軸(維)上的集合
oneDimensionSetN=size(oneDimensionSet,2);%返回oneDimensionSet中的元素個數
solutionN=oneDimensionSetN^solutionSum;%解空間(解集合)中可能解的總數
binSolutionN=dec2bin(solutionN);%把可能解的總數轉換成二進制數
chromosomeLength=size(binSolutionN,2);%由解空間中可能解的總數(二進制數)計算染色體的長度
程序初始化
%隨機生成初始可能解的順序號,+1是為了防止出現0順序號
solutionSequence=fix(rand(chromosomeSum,1)*solutionN)+1;
for i=1:chromosomeSum%防止解的順序號超出解的個數
if solutionSequence(i)>solutionN;
solutionSequence(i)=solutionN;
end
end
%染色體是解集合中的序號,它對應一個可能解
%把解的十進制序號轉成二進制序號
fatherChromosomeGroup=dec2bin(solutionSequence,chromosomeLength);
holdLeastFunctionError=Inf;%可能解的最小誤差的初值
holdBestChromosome=0;%對應最小誤差的染色體的初值
開始計算
compute=1;
circle=0;
while compute%開始迭代求解
%%%%%%%%%%%%%1:由可能解的序號尋找解本身(關鍵步驟)
x=chromosome_x(fatherChromosomeGroup,oneDimensionSet,solutionSum);
%%%%%%%%%%%%%2：把解代入非線性方程計算誤差
functionError=nonLinearSumError1(x);%把解代入方程計算誤差
[solution,minError,isTrue]=isSolution(x,functionError,solutionSumError);
%isSolution函數根據誤差functionError判定方程是否已經解開，isTrue=1,方程得解。solution是方程的解
if isTrue==1
'方程得解'
solution
minError
return%結束程序
end
%%%%%%%%%%%%%3：選擇最好解對應的最優染色體
[bestChromosome,leastFunctionError]=best_worstChromosome(fatherChromosomeGroup,functionError);
%%%%%%%%%%%%%4：保留每次迭代產生的最好的染色體
%本次最好解與上次最好解進行比較，如果上次最好解優於本次最好解，保留上次最好解；
%反之，保留本次最好解。保留的最好染色體放在holdBestChromosome中
[holdBestChromosome,holdLeastFunctionError]...
=compareBestChromosome(holdBestChromosome,holdLeastFunctionError,...
bestChromosome,leastFunctionError);
circle=circle+1
%minError
%solution
holdLeastFunctionError
if circle>circleN
return
end
%%%%%%%%%%%%%%5:把保留的最好的染色體holdBestChromosome加入到染色體群中
order=round(rand(1)*chromosomeSum);
if order==0
order=1;
end
fatherChromosomeGroup(order,:)=holdBestChromosome;
functionError(order)=holdLeastFunctionError;
%%%%%%%%%%%%%%%6:為每一條染色體(即可能解的序號)定義一個概率(關鍵步驟)
%%%%%%%%%%%%%%%好的染色體概率高，壞的概率低。依據誤差functionError計算概率
[p,trueP]=chromosomeProbability(functionError);
if trueP =='Fail'
'可能解嚴重不適應方程，請重新開始'
return%結束程序
end
按照概率篩選染色體(關鍵步驟)
%fa=bin2dec(fatherChromosomeGroup)%顯示父染色體
%從父染體中選擇優秀染色體
%selecteChromosomeGroup=selecteChromosome(fatherChromosomeGroup,p);
%%%%%%%%%%%%%%%8：染色體雜交(關鍵步驟)
%sle=bin2dec(selecteChromosomeGroup)%顯示選擇出來的解的序號(染色體)
%用概率篩選出的染色體selecteChromosomeGroup進行雜交，產生子代染色體
%sonChromosomeGroup=crossChromosome(selecteChromosomeGroup,2);
%不用概率篩選出的染色體selecteChromosomeGroup進行雜交，而直接用上一代(父代)的
sonChromosomeGroup=crossChromosome(fatherChromosomeGroup,2);
%sonChromosomeGroup=immunity(fatherChromosomeGroup,holdBestChromosome,3);
%把疫苗接種到其它染色體中
sonChromosomeGroup=immunity(sonChromosomeGroup,holdBestChromosome,3);
%cro=bin2dec(sonChromosomeGroup)%顯示雜交后的子代染色體
sonChromosomeGroup=checkSequence(sonChromosomeGroup,solutionN);%檢查雜交后的染色體是否越界
%%%%%%%%%%%%%%%9：變異
%不雜交直接變異
%fatherChromosomeGroup=varianceCh(fatherChromosomeGroup,0.1,solutionN);
%雜交后變異
fatherChromosomeGroup=varianceCh(sonChromosomeGroup,0.5,solutionN);
fatherChromosomeGroup=checkSequence(fatherChromosomeGroup,solutionN);%檢查變異后的染色體是否越界
end
接種疫苗函數，這是和遺傳算法唯一不同的函數，可以用它代替染色體的交叉操作。
%chromosomeGroup:染色體組
%bachterinChromosome:疫苗染色體，即最好的染色體。從這個染色體上取疫苗
%parameter:接種疫苗的參數，即用什么方法接種
%inoculateChromosome:接種疫苗后的染色體
function inoculateChromosome=immunity(chromosomeGroup,bacterinChromosome,parameter)
[chromosomeGroupSum,chromosomeLength]=size(chromosomeGroup);
[row,bacterinChromosomeLength]=size(bacterinChromosome);
%chromosomeGroupSum:染色體的條數；chromosomeLength：染色體的長度
switch parameter
case 1%隨機選擇染色體進行接種
for i=1:chromosomeGroupSum
%%%%%%%%%%%%從疫苗染色體上定位疫苗
headDot=fix(rand(1)*bacterinChromosomeLength);
%疫苗在染色體上左邊的點位
if headDot==0%防止出現0點位
headDot=1;
end
tailDot=fix(rand(1)*bacterinChromosomeLength);
%疫苗在染色體上右邊的點位
if tailDot==0%防止出現0點位
tailDot=1;
end
if tailDot>headDot%防止右邊的點位大於左邊的點位
dot=headDot;
headDot=tailDot;
tailDot=dot;
end
接種
randChromosomeSequence=round(rand(1)*chromosomeGroupSum);
%隨機產生1條染色體的序號，對這條染色體進行接種
if randChromosomeSequence==0%防止產生0序號
randChromosomeSequence=1;
end
inoculateChromosome(i,:)...%先把輸入染色體傳給輸出
=chromosomeGroup(randChromosomeSequence,:);
%執行免疫，即從疫苗染色體上取出一段基因做疫苗，再注入到其它染色體中
inoculateChromosome(i,headDot:tailDot)...
=bacterinChromosome(1,headDot:tailDot);
end
case 2 %所有染色體挨個接種
for i=1:chromosomeGroupSum
%%%%%%%%%%%%從疫苗染色體上定位疫苗
headDot=fix(rand(1)*bacterinChromosomeLength);
%疫苗在染色體上左邊的點位
if headDot==0%防止出現0點位
headDot=1;
end
tailDot=fix(rand(1)*bacterinChromosomeLength);
%疫苗在染色體上右邊的點位
if tailDot==0%防止出現0點位
tailDot=1;
end
if tailDot>headDot%防止右邊的點位大於左邊的點位
dot=headDot;
headDot=tailDot;
tailDot=dot;
end
%%%%%%%%%%%%%接種
inoculateChromosome(i,:)=chromosomeGroup(i,:);%先把輸入染色體傳給輸出
%執行免疫，即從疫苗染色體上取出一段基因做疫苗，再注入到其它染色體中
inoculateChromosome(i,headDot:tailDot)...
=bacterinChromosome(1,headDot:tailDot);
end
case 3 %接種位置是隨機的
for i=1:chromosomeGroupSum
%%%%%%%%%%%%從疫苗染色體上定位疫苗
headDot=fix(rand(1)*bacterinChromosomeLength);
%疫苗在染色體上左邊的點位
if headDot==0%防止出現0點位
headDot=1;
end
tailDot=fix(rand(1)*bacterinChromosomeLength);
%疫苗在染色體上右邊的點位
if tailDot==0%防止出現0點位
tailDot=1;
end
if tailDot>headDot%防止右邊的點位大於左邊的點位
dot=headDot;
headDot=tailDot;
tailDot=dot;
end
在染色體上隨機定位接種位置
inoculateDot=fix(rand(1)*chromosomeLength);%隨機選擇染色體的接種點位
if inoculateDot==0
inoculateDot=1;
inoculateChromosome(i,:)=chromosomeGroup(i,:);
inoculateChromosome(i,inoculateDot:tailDot-headDot+1)...
=bacterinChromosome(1,headDot:tailDot);
elseif inoculateDot<=headDot
inoculateChromosome(i,:)=chromosomeGroup(i,:);
inoculateChromosome(i,inoculateDot:inoculateDot+tailDot-headDot)...
=bacterinChromosome(1,headDot:tailDot);
elseif (chromosomeLength-inoculateDot)>=(tailDot-headDot)
inoculateChromosome(i,:)=chromosomeGroup(i,:);
inoculateChromosome(i,inoculateDot:inoculateDot+tailDot-headDot)...
=bacterinChromosome(1,headDot:tailDot);
else
inoculateChromosome(i,:)=chromosomeGroup(i,:);
inoculateChromosome(i,headDot:tailDot)...
=bacterinChromosome(1,headDot:tailDot);
end
end
