毕业论文文献综述:人工免疫算法研究现状

Forrest等率先将人工智能与免疫学原理相结合[1],陆续出现了许多基于免疫机制的智能算法,下面对几种比较有代表性的人工免疫系统优化算法的研究现状予以介绍。
(1) 克隆选择算法(CLONALG)
免疫克隆学说用于解释免疫系统对抗原的刺激的自适应免疫应答原理,该学说是建立在只有成功对抗原进行识别的抗体才会进行繁殖操作的基础上,免疫系统对该类抗体进行亲和度成熟的操作过程,提高其对抗体的识别能力。基于克隆选择学说原理,在2002年,de Castro等提出了一种克隆选择算法(CLONALG)及其实现[2],在该算法中考虑了免疫应答的个体亲和度成熟机制,将免疫克隆看作是达尔文进化论的微观表现,即抗体多样性,抗体基于结构的多样性及自然选择。相比一般遗传算法,该算法将传统的基于概率的轮盘赌选择使用基于抗体与抗原的亲和度的比例选择代替。该算法是为解决机器学习和模式识别问题而产生的,同时适用于解决优化问题,特别是多峰函数及组合优化问题。
在2008年,Nitesh Khilwania等提出了一种快速克隆选择算法[3](Fast Clonal Algorithm, FCA),该算法基于模糊函数设计了一种新的模糊生成算子产生初始种群,采用轮盘赌选择方法替代传统的确定性选择机制,避免了传统选择机制可能出现的早熟收敛现象,特别是其采用了高斯变异和柯西变异并行操作的变异算子,实验结果表明该算法在收敛效率和解的质量方面的优越性。
(2) 免疫网络算法(An Evolutionary Artificial Immune Network, aiNet)
在2000年,de Castro等针对数据聚类问题提出了一种进化人工免疫网络(aiNet)算法[4],该算法将CLONALG算法与免疫网络模型相结合,将生物免疫网络对抗原刺激的免疫应答的过程进行了比较完整的模拟,主要有抗原识别、克隆选择、亲和力成熟和免疫自调节等。在CLONALG算法的基础上增加了免疫细胞网络中的抗体与抗体之间的相互作用,即免疫自调节功能的模拟。算法的优点之一是通过计算抗体与抗体之间的相似度,可以自适应平衡种群中抗体的数量。在该算法中,将抗体表示为网络结点,抗体与抗原的亲和度与抗体浓度表示为结点的状态,抗体表示优化问题的可行解,通过迭代进化抗体网络和记忆抗体群来寻找问题的全局最优解。
(3) 负选择算法(Negative Selection, NS)
负选择模型思想源于胸腺中T-细胞受体的负选择机制,负选择是指对可能攻击自体组织的T细胞的识别与清除。在2007年,Xianbin Cao等提出一种基于免疫优化的负选择算法[5],该算法根据问题规模建立一个表示问题全部解空间的基因片段的仓库和一个包含较差个体的集合,将目标函数定义为适应度函数。该算法首先根据基因片段仓库生成种群,通过设置删除阈值和更新阈值,采用负选择操作基于较差个体的集合删除较差个体,同时根据优秀个体更新基因片段仓库,最后获得仓库中的优秀基因片段组成问题的最优解。
(4) 免疫遗传算法(Immune Genetic Algorithm, IGA)
将上述克隆选择算法与免疫网络算法等基本免疫算法与遗传算法相结合便产生了免疫遗传算法。在免疫遗传算法中,免疫系统中的抗体多样性能有效克服遗传算法未成熟收敛的现象,文献[1]建立了一种用于评价抗体对抗 原的识别程度的规则,并基于抗体适应度的评价群体多样性的优劣,文献[6]在此基础上,引入遗传算法并提出了基于遗传进化的免疫算法,这种免疫系统模型本上是利用免疫系统中抗体识别抗原的原理,提高遗传算法的局部收敛性能,这标志着免疫遗传 法的最早问世。文献[7]在该算法的基础上,通过加权和方法将多目标约束优化问题转换成单目标无约束优化问题,最终获取优化问题的最优解,该算法的提出标志着人工免疫系统正式进入多目标优化问题的领域。
在这之后针对抗体适应度或抗体选择概率进行设计的免疫遗传算法相继被提出,其中比较有代表性的免疫遗传算法有:文献[8,9]提出了一种新颖的免疫遗传算法,其基本思想是在进化过程中将遗 传算法的交叉和变异操作与设计的免疫算子相结合,免疫算子由疫苗接种和免疫选择构成,疫苗接种是基于对问题的先验知识,对修 改种群中的部分个体的基因组成结构,免疫选择是在子代个体与其父代个体之间,比较二者的适应度值并选择值较大者遗传到下一代。该算法需要根据不同问题的特征提取疫苗从而有效地提高个体的适应度值,但是往往针对某些优化问题提取疫苗工作量比较大甚至无法提取出有效疫苗,限制了这种算法的应用。鉴于此算法的特征提取困难,文献[10]对这种算法进行了适当的改进,即利用进化群体中最优秀个体和次优秀个体作为疫苗,有效的解决了特征信息提取困难的问题,而且实验结果表明改进后的算法的性能和实用范围方面明显优于文献[8]的算法,但因为接种疫苗选择的特殊性,在实际应用中不可避免地会只能获得优化问题的满意解或局部最优解。
文献[11]提出一种将免疫遗传思想引入量子遗传算法的新算法,通过免疫遗传算法的免疫机制、免疫记忆特性增强量子遗传算法的精确性和稳定性,在对问题求解的过程中,可通过问题的先验知识和局部信息提高算法的性能,最后将新算法应用于现代战争模型中的火力部署优化问题,说明了新算法的适用性相比量子遗传算法和免疫遗传算法在收敛速度和搜索性能方面显示出优越性。
文献[12]基于标准遗传算法,通过引入免疫系统的信息处理机制,提出一种混合算法,并用于求解作业车间调度问题,其基本思想是首先采用多重交叉和免疫选择改进标准遗传算法,然后通过疫苗接种促进个体适应度成熟,并且通过免疫选择避免种群退 化现象。将算法用于解决作 业车间调度问题,设计了具体的疫苗提取和疫苗接种方法,最后通过实验验证了算法的有效性,实验结果表明该算法的收敛速度和精确性均优于标准遗传算法与免疫算法。
文献[13]针对目前关于免疫遗传算法的收敛性能的研究比较少的情况,运用随机过程理论和概率统计理论,通过分析全局最优解集合的一些特征,证明了免疫遗传算法具有较强的收敛性,对于深入理解免疫遗传算法的思想和研究如何完善免疫遗传算法有一定启示作用。
文献[14]结合人工神经网络提出一种遗传优化人工免疫系统的方法解决计算机中的垃圾邮件(Spam)监测问题。其主要思想是过神经网络的样本训练阶段产生针对垃圾邮件的抗体群。以抗体(淋巴细胞)匹配的邮件总数与垃圾邮件总数的比值作为适应度函数,来评价抗体优劣。当系统的用户因某些原因更新了邮件是否为垃圾邮件的判断条件时,由遗传算法根据抗体适应度的大小,随机删除一些适应度低的抗体并生成同等数量的新抗体。算法测试结果表明,多种智能算法的融合比单纯的免疫算法在解决垃圾邮件的监测问题上,具有更高的准确性。
文献[15]将免疫遗传算法应用于TSP问题,算法中引入共生小生境技术,将演化种群分割成多个子种群,以提高种群多样性和收敛速度,最后通过实验对比标准遗传算法,表明该算法在寻优的准确性和收敛性的优越。
文献[16,17]基于浓度对抗体产生进行促进和抑制操作而提出一种免疫遗传算法,主要是基于信息熵评价抗体多样性;文献[18,19]针对TSP问题特征,在免疫克隆过程中通过提取示范抗体作为疫苗进行接种,来产生新抗体从而更新种群;文献[20]基于动态疫苗库设计了一种免疫遗传算法并解决车间调度问题,该算法主要是根据问题的特征设计了一种独特的编码方式,通过持续的疫苗接种操作和基因库调整操作对基因库内的基因片段进行评价,选择优良的疫苗并存入基因库,提高种群收敛性能;文献[21] 提出一种DNA免疫遗传算法,该算法采用DNA染色体编码方式同时结合免疫网络理论,实现了算法搜索过程中的自适应调节机制,最后通过实验验证了算法的有效性;文献[22]运用免疫遗传算法解决电力系统无功优化问题,其特点在于通过记忆细胞保留优秀个体和高频变异产生新个体,达到了保持种群多样性的目的。
从以上人工免疫算法的研究和现状可以看出,目前人工免疫算法研究正处于蓬勃发展的阶段,算法的研究还没有成熟,算法中的一些诸如早熟收敛和收敛速度的问题还有待学者们进一步的探讨。当前对人工免疫算法的研究热点主要有:
(1) 建立一种能够更好地全面地模拟生物免疫系统功能的人工免疫算法的模型;
(2) 对人工免疫算法的结构和免疫算子进行深入的研究,尤其是疫苗的获得策略,以期改善算法的性能;
(3) 研究人工免疫算法与其他智能策略的互补融合形成新的功能更强大的混合智能算法;
(4) 广泛研究将人工免疫算法应用于各个工程领域当中的技术。
浏览次数:  更新时间:2017-10-19 10:28:52
上一篇:毕业论文文献综述样本
下一篇:毕业论文文献综述:物流配送问题研究现状
网友评论《毕业论文文献综述:人工免疫算法研究现状》
Top