免疫進(jìn)化理論的研究主要內(nèi)容

研究背景與現(xiàn)狀

免疫進(jìn)化算法

免疫神經(jīng)網(wǎng)絡(luò)

計(jì)算機(jī)免疫安全系統(tǒng)探索研究背景在生物科學(xué)領(lǐng)域，人們對(duì)進(jìn)化、遺傳和免疫等自然現(xiàn)象已經(jīng)進(jìn)行了廣泛而深入的研究；進(jìn)化算法是建立在模仿生物遺傳與自然選擇基礎(chǔ)上的一種并行優(yōu)化算法，其性能優(yōu)異、應(yīng)用廣泛；進(jìn)化算子在為每個(gè)個(gè)體提供了進(jìn)化機(jī)會(huì)的同時(shí)，也無(wú)可避免地產(chǎn)生了退化的可能；大多數(shù)待求問(wèn)題有可以利用的先驗(yàn)知識(shí)或特征信息，故可以利用這些信息來(lái)抑制進(jìn)化過(guò)程中的退化現(xiàn)象；生物免疫理論為改進(jìn)原有算法的性能，建立集進(jìn)化與免疫機(jī)制于一體的新型全局并行算法奠定了基礎(chǔ)。ArtificialImmuneSystem－AIS人工智能信息處理系統(tǒng)的研究腦神經(jīng)系統(tǒng)（神經(jīng)網(wǎng)絡(luò)）遺傳系統(tǒng)（進(jìn)化計(jì)算）免疫系統(tǒng)（人工免疫系統(tǒng)）

一門新興的研究領(lǐng)域AIS的研究歷史Farmer等人在1986年首先在工程領(lǐng)域提出免疫概念Varela等人受免疫網(wǎng)絡(luò)學(xué)說(shuō)的啟發(fā)，提出并進(jìn)而完善免疫網(wǎng)絡(luò)模型。

人工免疫網(wǎng)絡(luò)模型AIS的研究現(xiàn)狀之一獨(dú)特型免疫網(wǎng)絡(luò)（Jerne）互聯(lián)耦合免疫網(wǎng)絡(luò)（Ishiguro）免疫反應(yīng)網(wǎng)絡(luò)（Mitsumoto）對(duì)稱網(wǎng)絡(luò)（Hoffmann）多值免疫網(wǎng)絡(luò)（Tang）

免疫學(xué)習(xí)算法AIS的研究現(xiàn)狀之二反面選擇算法（Forrest）免疫學(xué)習(xí)算法（Hunt&Cooke）免疫遺傳算法（Chun）免疫Agent算法（Ishida）免疫網(wǎng)絡(luò)調(diào)節(jié)算法（Wang&Cao）免疫進(jìn)化算法（Jiao&Wang）

國(guó)際研究AIS的研究現(xiàn)狀之三1996年，日本，基于免疫性系統(tǒng)的國(guó)際專題討論會(huì)，提出并確認(rèn)人工免疫系統(tǒng)（AIS）的概念；1997年，IEEE的SMC組織專門成立了人工免疫系統(tǒng)及應(yīng)用的分會(huì)組織；目前，幾乎所有有關(guān)人工智能領(lǐng)域的學(xué)術(shù)會(huì)議都收錄AIS方面的論文。AIS的應(yīng)用

自動(dòng)控制

故障診斷

模式識(shí)別

圖象識(shí)別

優(yōu)化設(shè)計(jì)

機(jī)器學(xué)習(xí)

網(wǎng)絡(luò)安全AIS在控制領(lǐng)域中的應(yīng)用PID型免疫反饋控制器（Takahashi）機(jī)器人控制（Mitsumoto,Ishiguro,Lee）控制系統(tǒng)的設(shè)計(jì)（Ishida）復(fù)雜動(dòng)態(tài)行為建模和自適應(yīng)控制（Kumak）倒擺的控制（Bersini）AIS在故障診斷中的應(yīng)用基于相關(guān)識(shí)別特性的免疫網(wǎng)絡(luò)模型用于故障診斷的方法（Ishida）；通過(guò)構(gòu)造大規(guī)模獨(dú)特型免疫網(wǎng)絡(luò)來(lái)建立用于在線服務(wù)的故障診斷系統(tǒng)（Ishiguru）。AIS在模式識(shí)別中的應(yīng)用Hunt等人開(kāi)發(fā)了一種具有學(xué)習(xí)能力的人工免疫系統(tǒng)并用于模式識(shí)別。AIS在聯(lián)想記憶中的應(yīng)用Gilbert等人采用免疫網(wǎng)絡(luò)模型設(shè)計(jì)了一種內(nèi)容可訪的自動(dòng)聯(lián)想記憶系統(tǒng)并用于圖像識(shí)別。AIS在優(yōu)化設(shè)計(jì)中的應(yīng)用永磁同步電動(dòng)機(jī)的參數(shù)修正的優(yōu)化設(shè)計(jì)電磁設(shè)備的外形優(yōu)化VLSI印刷線路板的布線優(yōu)化設(shè)計(jì)函數(shù)測(cè)試旅行商問(wèn)題的求解約束搜索優(yōu)化問(wèn)題和多判據(jù)設(shè)計(jì)問(wèn)題AIS在網(wǎng)絡(luò)安全的應(yīng)用數(shù)據(jù)檢測(cè)（Forrest）病毒檢測(cè)（Kephart）UNIX過(guò)程監(jiān)控（Forrest）國(guó)際研究新動(dòng)向之一以開(kāi)發(fā)新型的智能系統(tǒng)方法為背景，研究基于生物免疫系統(tǒng)機(jī)理的智能系統(tǒng)理論和技術(shù)，同時(shí)將AIS與模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和遺傳算法等軟計(jì)算技術(shù)進(jìn)行集成，并給出其應(yīng)用方法。國(guó)際研究新動(dòng)向之二基于最新發(fā)展的免疫網(wǎng)絡(luò)學(xué)說(shuō)進(jìn)一步建立并完善模糊、神經(jīng)和其它一些專有類型的人工免疫網(wǎng)絡(luò)模型及其應(yīng)用方法。國(guó)際研究新動(dòng)向之三將人工免疫系統(tǒng)與遺傳系統(tǒng)的機(jī)理相互結(jié)合，并歸納出各種免疫學(xué)習(xí)算法。比如：免疫系統(tǒng)的多樣性遺傳機(jī)理和細(xì)胞選擇機(jī)理可用于改善原遺傳算法中對(duì)局部搜索問(wèn)題不是很有效的情況；獨(dú)特型網(wǎng)絡(luò)機(jī)理可用于免疫系統(tǒng)中的遺傳部分以避免系統(tǒng)出現(xiàn)早熟現(xiàn)象；發(fā)展用于處理受約束的遺傳搜索和多準(zhǔn)則問(wèn)題的免疫學(xué)習(xí)算法等。國(guó)際研究新動(dòng)向之四基于免疫反饋和學(xué)習(xí)機(jī)理，設(shè)計(jì)自調(diào)整、自組織和自學(xué)習(xí)的免疫反饋控制器。展開(kāi)對(duì)基于免疫反饋機(jī)理的控制系統(tǒng)的設(shè)計(jì)方法和應(yīng)用研究，這有可能成為工程領(lǐng)域中種新型的智能控制系統(tǒng)，具有重要的理論意義與廣泛的應(yīng)用前景。國(guó)際研究新動(dòng)向之五進(jìn)一步研究基于免疫系統(tǒng)機(jī)理的分布式自治系統(tǒng)。分布式免疫自治系統(tǒng)在智能計(jì)算、系統(tǒng)科學(xué)和經(jīng)濟(jì)領(lǐng)域?qū)?huì)有廣闊的應(yīng)用前景。國(guó)際研究新動(dòng)向之六發(fā)展基于DNA編碼的人工免疫系統(tǒng)以及基于DNA計(jì)算的免疫算法。嘗試將DNA計(jì)算模型引入人工免疫系統(tǒng)中，研究一種基于DNA計(jì)算與AIS相結(jié)合的，有較強(qiáng)抗干擾能力和穩(wěn)定性能的智能系統(tǒng)。國(guó)際研究新動(dòng)向之七近年來(lái)有學(xué)者已開(kāi)始研究B細(xì)胞—抗體網(wǎng)絡(luò)的振蕩、混濁和穩(wěn)態(tài)等非線性特性[61]，不過(guò)其工作才剛剛開(kāi)始。人們應(yīng)進(jìn)一步借助非線性的研究方法來(lái)研究免疫系統(tǒng)的非線性行為，拓寬非線性科學(xué)的研究范圍。國(guó)際研究新動(dòng)向之八進(jìn)一步發(fā)展AIS在科學(xué)和工程上的應(yīng)用，并研制實(shí)際產(chǎn)品，如研制在復(fù)雜系統(tǒng)的協(xié)調(diào)控制、故障檢測(cè)和診斷、機(jī)器監(jiān)控、簽名確認(rèn)、噪聲檢測(cè)、計(jì)算機(jī)與網(wǎng)絡(luò)數(shù)據(jù)的安全性、圖像與模式識(shí)別等方面的實(shí)際產(chǎn)品。免疫進(jìn)化算法的研究第一部分生物免疫的啟示在生物自然界中，免疫現(xiàn)象普遍存在，并對(duì)物種的

生存與繁衍發(fā)揮著重要的作用；生物的免疫功能主要是由參與免疫反應(yīng)的細(xì)胞或由其構(gòu)成的器官來(lái)完成的；生物免疫主要有兩種類型：

特異性免疫（SpecificImmunity），

非特異性免疫反應(yīng)（NonspecificImmunity）；生物免疫系統(tǒng)是通過(guò)自我識(shí)別、相互刺激與制約而構(gòu)成了一個(gè)動(dòng)態(tài)平衡的網(wǎng)絡(luò)結(jié)構(gòu)。免疫生物學(xué)的基本概念

抗原是指能夠刺激和誘導(dǎo)機(jī)體的免疫系統(tǒng)使其產(chǎn)生免疫應(yīng)答，并能與相應(yīng)的免疫應(yīng)答產(chǎn)物在體內(nèi)或體外發(fā)生特異性反應(yīng)的物質(zhì)。

抗體是指免疫系統(tǒng)受抗原刺激后，免疫細(xì)胞轉(zhuǎn)化為漿細(xì)胞并產(chǎn)生能與抗原發(fā)生特異性結(jié)合的免疫球蛋白，該免疫球蛋白即為抗體。免疫系統(tǒng)的主要功能

免疫防御即機(jī)體防御病原微生物的感染；

免疫（自身）穩(wěn)定即機(jī)體通過(guò)免疫功能經(jīng)常消除那些損傷和衰老的細(xì)胞以維持機(jī)體的生理平衡；

免疫監(jiān)視即機(jī)體通過(guò)免疫功能防止或消除體內(nèi)細(xì)胞在新陳代謝過(guò)程中發(fā)生突變的和異常的細(xì)胞。免疫系統(tǒng)的主要特點(diǎn)

免疫識(shí)別

免疫應(yīng)答

免疫耐受

免疫記憶

免疫調(diào)節(jié)算法研究生物學(xué)概念與理論方法：工程計(jì)算方法進(jìn)化＋免疫傳統(tǒng)進(jìn)化算法是在一定發(fā)生概率的條件下，隨機(jī)地、沒(méi)有指導(dǎo)地迭代搜索，因此它們?cè)跒槿后w中的個(gè)體提供了進(jìn)化機(jī)會(huì)的同時(shí)，也無(wú)可避免地產(chǎn)生了退化的可能。每一個(gè)待求的實(shí)際問(wèn)題都會(huì)有自身一些基本的、顯而易見(jiàn)的特征信息或知識(shí)。然而進(jìn)化算法中的交叉和變異算子在求解問(wèn)題時(shí)，操作的可變程度較小?；靖拍?/p>

染色體 表示待求問(wèn)題的解的形式的一種數(shù)據(jù)結(jié)構(gòu)。

基因構(gòu)成染色體的最基本的數(shù)據(jù)單位。

個(gè)體 具有某類染色體結(jié)構(gòu)的一種特例?；靖拍?/p>

抗原 所有可能錯(cuò)誤的基因，即非最佳個(gè)體的基因。

疫苗 根據(jù)進(jìn)化環(huán)境或待求問(wèn)題的先驗(yàn)知識(shí)，所得到的對(duì)最佳個(gè)體基因的估計(jì)。抗體

根據(jù)疫苗修正某個(gè)個(gè)體的基因所得到的新個(gè)體。免疫算子有兩種類型：

全免疫

非特異性免疫

目標(biāo)免疫

特異性免疫免疫思想的實(shí)現(xiàn)

免疫算子即：群體中的每個(gè)個(gè)體在進(jìn)化算子作用后，對(duì)其每一環(huán)節(jié)都進(jìn)行一次免疫操作的免疫類型；即：在進(jìn)行了進(jìn)化操作后，經(jīng)過(guò)一定的判斷，個(gè)體僅在作用點(diǎn)處發(fā)生免疫反應(yīng)的一種類型。免疫操作的基本過(guò)程

首先，對(duì)待求求問(wèn)題進(jìn)行具體分析，從中提取出最基本的特征信息；

其次，對(duì)此特征信息進(jìn)行處理，以將其轉(zhuǎn)化為求解問(wèn)題的一種方案；

最后，將此方案以適當(dāng)?shù)男问睫D(zhuǎn)化成免疫算子以實(shí)施具體的操作。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(chǔ)上，通過(guò)免疫算子來(lái)實(shí)現(xiàn)的；

免疫算子由接種疫苗和免疫選擇兩個(gè)操作完成的。TheImmuneoperator為了防止群體的退化。為了提高個(gè)體的適應(yīng)度。設(shè)個(gè)體x，給其接種疫苗是指按照先驗(yàn)知識(shí)來(lái)修改x的某些基因位上的基因或其分量，使所得個(gè)體以較大的概率具有更高的適應(yīng)度。疫苗是從先驗(yàn)知識(shí)中提煉出來(lái)的，它所含的信息量及其準(zhǔn)確性對(duì)算法性能的發(fā)揮起著重要的作用。免疫算子接種疫苗之這一操作一般分兩步完成：第一步是免疫檢測(cè)，即對(duì)接種了疫苗的個(gè)體進(jìn)行檢測(cè)，若其適應(yīng)度仍不如父代，則該個(gè)體將被父代中所對(duì)應(yīng)的個(gè)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(cè)之選擇個(gè)體進(jìn)入新的父代群體。在免疫策略中，僅有免疫檢測(cè)而沒(méi)有退火選擇。體系結(jié)構(gòu)免疫算法免疫規(guī)劃免疫策略免疫算法隨機(jī)產(chǎn)生初始父代種群A1，根據(jù)先驗(yàn)知識(shí)抽取疫苗；若當(dāng)前群體中包含最佳個(gè)體，則算法停止運(yùn)行并輸出結(jié)果；否則，繼續(xù)；對(duì)當(dāng)前第k代父本種群Ak進(jìn)行交叉操作，得到種群Bk；對(duì)Bk進(jìn)行變異操作，得到種群Ck；對(duì)Ck進(jìn)行接種疫苗操作，得到種群Dk；對(duì)Dk進(jìn)行免疫選擇操作，得到新一代父本Ak+1，轉(zhuǎn)至第二步。ImmuneAlgorithm---IA免疫算法的收斂性狀態(tài)轉(zhuǎn)移過(guò)程示意圖：定理：免疫算法是收斂的。定義：如果對(duì)于任意的初始分布均有則稱算法收斂。初始化：首先，根據(jù)要求確定解的精度；其次，隨機(jī)產(chǎn)生N個(gè)個(gè)體，并由此構(gòu)成初始的父代種群A0；根據(jù)先驗(yàn)知識(shí)抽取疫苗H；計(jì)算當(dāng)前種群Ak的個(gè)體適應(yīng)度，并進(jìn)行停機(jī)條件的判斷。若條件滿足，則停止運(yùn)行并輸出結(jié)果；否則繼續(xù)；對(duì)當(dāng)前的父代群體Ak進(jìn)行變異操作，生成子代群體Bk；對(duì)群體Bk進(jìn)行接種疫苗操作，得到種群Ck；對(duì)群體Ck進(jìn)行免疫選擇操作，得到新一代父本Ak+1，并轉(zhuǎn)至第三步。免疫規(guī)劃ImmuneProgramming---IP免疫規(guī)劃的收斂性狀態(tài)轉(zhuǎn)移過(guò)程示意圖：定理：免疫規(guī)劃是收斂的。定義：如果對(duì)于任意的初始分布均有則稱算法收斂。免疫策略根據(jù)要求確定解的精度，再根據(jù)先驗(yàn)知識(shí)抽取疫苗H；隨機(jī)產(chǎn)生

個(gè)個(gè)體作為初始的父本群體；交叉：產(chǎn)生由父代和子代構(gòu)成的規(guī)模為2

的中間群體；變異：對(duì)每一個(gè)個(gè)體進(jìn)行變異將得到一個(gè)新的個(gè)體；免疫：首先按照對(duì)問(wèn)題的先驗(yàn)知識(shí)修改個(gè)體(x,)的某些分量；然后對(duì)群體中注射了疫苗的個(gè)體進(jìn)行檢測(cè)；選擇：從規(guī)模為2

的群體中按適應(yīng)度的大小取出前

個(gè)個(gè)體作為新一代父本的群體；停機(jī)條件檢測(cè)。ImmuneStrategy---IS免疫策略的收斂性狀態(tài)轉(zhuǎn)移過(guò)程示意圖：定理：免疫策略是收斂的。定義：如果對(duì)于任意的初始分布均有則稱算法收斂。免疫算子的機(jī)理在免疫選擇作用下，若疫苗使抗體適應(yīng)度得到提高，且高于當(dāng)前群體的平均適應(yīng)度，則疫苗所對(duì)應(yīng)的模式將在群體中呈指數(shù)級(jí)擴(kuò)散；否則，它將被遏制或呈指數(shù)級(jí)衰減。定理：Begin:抽取疫苗：分析待求問(wèn)題，搜集特征信息；依據(jù)特征信息估計(jì)特定基因位上的模式:；k=0andj=0；while(Conditions=True)if{PV}=True,thenj=j+1；i=0；for(i≤n)接種疫苗：；免疫檢驗(yàn)：if,then;else；i=i+1；退火選擇：；

k=k+1；End免疫算子的執(zhí)行算法具體分析待求問(wèn)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(wèn)題為例，通過(guò)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(wèn)題時(shí)可以利用的一種疫苗。TSP問(wèn)題的描述TSP問(wèn)題是旅行商問(wèn)題的簡(jiǎn)稱。即一個(gè)商人從某一城市出發(fā)，要遍歷所有目標(biāo)城市，其中每個(gè)城市必須而且只須訪問(wèn)一次。所要研究的問(wèn)題是在所有可能的路徑中尋找一條路程最短的路線。該問(wèn)題是一個(gè)典型的NP問(wèn)題，即隨著規(guī)模的增加，可行解的數(shù)目將做指數(shù)級(jí)增長(zhǎng)。TSP問(wèn)題的分析設(shè)所有與城市Ai距離最近的城市為Aj,進(jìn)行一次如虛線所示的調(diào)整后,多數(shù)情況下，l3較aj-1+aj的減少量要大于l1+l2較ai的增加量。故：Begin:while(Conditions=True)統(tǒng)計(jì)父代群體，確定最佳個(gè)體： ;分解最佳個(gè)體，抽取免疫基因： ;執(zhí)行遺傳和免疫算子操作;end免疫疫苗的選取方法自適應(yīng)方法之二Begin:鄰近城市序列初始化：Neighbor(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)fori=1ton變異：Neighbor(i)=Floor(Gauss(Neighbor(i),1));選擇：ifDistance(City_i,Neighbor(i))<Min_distance(i)thenSub_path(i)=Neighbor(i);Min_distance(i)=Distance(City_i,Neighbor(i));endendend免疫疫苗的選取方法進(jìn)化規(guī)劃方法之三仿真實(shí)驗(yàn)基于IA的TSP求解之一a.免疫抗體 b.最優(yōu)化路徑75城市的TSP問(wèn)題免疫優(yōu)化仿真示意圖子代適應(yīng)度值隨進(jìn)化過(guò)程的變化曲線a通用遺傳算法計(jì)算曲線 b免疫算法計(jì)算曲線仿真實(shí)驗(yàn)基于IS的TSP求解之二a.免疫疫苗示意圖 b.最優(yōu)路徑示意圖442城市的TSP問(wèn)題免疫優(yōu)化仿真示意圖子代適應(yīng)度值隨進(jìn)化過(guò)程的變化曲線a(

,2

)-ES計(jì)算曲線 b(

,2

)-IS

計(jì)算曲線仿真實(shí)驗(yàn)基于IE的函數(shù)優(yōu)化之三問(wèn)題:

在(0,1)內(nèi)尋找xmax使下式成立:接受正常免疫疫苗時(shí)的計(jì)算曲線(a)基于EP的進(jìn)化過(guò)程中個(gè)體分布圖;(b)基于IP的進(jìn)化過(guò)程中個(gè)體分布圖(c)EP和IP所求得的最佳適應(yīng)度對(duì)比圖(d)EP和IP所求得的平均適應(yīng)度對(duì)比圖免疫疫苗為時(shí)的

計(jì)算曲線(a)基于EP的進(jìn)化過(guò)程中個(gè)體分布圖;(b)基于IP的進(jìn)化過(guò)程中個(gè)體分布圖(c)EP和IP所求得的最佳適應(yīng)度對(duì)比圖(d)EP和IP所求得的平均適應(yīng)度對(duì)比圖免疫神經(jīng)網(wǎng)絡(luò)的研究第二部分自然免疫網(wǎng)絡(luò)

生物學(xué)免疫網(wǎng)絡(luò)原型：Jerne:免疫系統(tǒng)是通過(guò)自我識(shí)別和相互刺激與約束而構(gòu)成的一個(gè)動(dòng)態(tài)平衡的網(wǎng)絡(luò)結(jié)構(gòu)。

免疫應(yīng)答(免疫耐受與記憶);

Varela的免疫網(wǎng)絡(luò)模型：系統(tǒng)的動(dòng)力學(xué)部分；系統(tǒng)的元?jiǎng)恿W(xué)部分；系統(tǒng)的免疫恢復(fù)機(jī)制(IRM).免疫神經(jīng)網(wǎng)絡(luò)的生物學(xué)特征

一個(gè)完整的神經(jīng)元由細(xì)胞體、樹(shù)突、軸突、突觸和神經(jīng)末梢等幾大部分構(gòu)成，其中細(xì)胞體是神經(jīng)元的主體。

人的腦系統(tǒng)大約由1011個(gè)神經(jīng)元組成。這些神經(jīng)元雖然在物理結(jié)構(gòu)上是基本一致的，但其功能和在系統(tǒng)中所發(fā)揮的作用是有明顯差別的。

生物免疫系統(tǒng)具有記憶功能以及自學(xué)習(xí)、自組織和自適應(yīng)的能力。人工免疫神經(jīng)網(wǎng)絡(luò)的研究

已有人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)。

利用先驗(yàn)知識(shí)改進(jìn)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的嘗試：

Stork，1992年，奇偶校驗(yàn)問(wèn)題。

Kryghyak，1993年，奇偶校驗(yàn)問(wèn)題。

吳佑壽，1996年，奇偶校驗(yàn)和對(duì)稱性校驗(yàn)的 問(wèn)題。一種免疫神經(jīng)網(wǎng)絡(luò)模型免疫神經(jīng)網(wǎng)絡(luò)中激勵(lì)函數(shù)的選取方法

分析待求問(wèn)題的過(guò)程，搜集特征信息，再根據(jù)先驗(yàn)知識(shí)找出輸入變量之間的相互約束關(guān)系；

設(shè)計(jì)激勵(lì)單元的基本類型。即根據(jù)上述約束關(guān)系，選取一種適當(dāng)?shù)暮写▍?shù)的函數(shù)族；

根據(jù)第

步所提取的疫苗填充疫苗接種單元；

選取一種網(wǎng)絡(luò)學(xué)習(xí)算法，如LMS和改進(jìn)的BP算法等，利用訓(xùn)練樣本來(lái)修正網(wǎng)絡(luò)中的權(quán)值矩陣和閥值等相關(guān)參數(shù)。免疫神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)算法

將激勵(lì)函數(shù)中的參數(shù)V當(dāng)作網(wǎng)絡(luò)訓(xùn)練的目標(biāo)之一；

采用成批訓(xùn)練和添加動(dòng)量項(xiàng)的方法來(lái)訓(xùn)練網(wǎng)絡(luò)權(quán)值和激勵(lì)函數(shù)中的參數(shù)。免疫神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)實(shí)例雙螺旋線問(wèn)題的求解設(shè)螺旋線的參數(shù)方程形式為：由此可得：雙螺旋線問(wèn)題的求解設(shè)計(jì)激勵(lì)單元的基本類型：雙螺旋線問(wèn)題的求解解決雙螺旋線的免疫神經(jīng)網(wǎng)絡(luò)的形式為：雙螺旋線問(wèn)題的仿真結(jié)果帶有隨機(jī)干擾的兩類螺旋線：免疫進(jìn)化子波網(wǎng)絡(luò)模型網(wǎng)絡(luò)方程：免疫進(jìn)化子波網(wǎng)絡(luò)模型目標(biāo)函數(shù)：子波函數(shù)的參數(shù)初始化

確定一個(gè)母波函數(shù)以及對(duì)特定目標(biāo)信號(hào)的伸縮、平移參數(shù)的取值范圍；

利用免疫進(jìn)化算法進(jìn)行優(yōu)化搜索；

獲得一組有利于分類識(shí)別的信號(hào)子波特征。子波網(wǎng)絡(luò)的學(xué)習(xí)算法

初始化。將任意選取n組權(quán)值以及初始化后的子波基參數(shù)做為初始群體；

根據(jù)先驗(yàn)知識(shí)抽取疫苗H。根據(jù)對(duì)問(wèn)題的先驗(yàn)知識(shí)或其應(yīng)用背景方面的特征信息，來(lái)確定個(gè)體在某些基因上的取值特征或基因之間的相互制約關(guān)系，并以此做為待求問(wèn)題的免疫疫苗，經(jīng)編碼處理后即可視為H；另一方面，若以上條件尚不具備，我們即可采用算法2來(lái)動(dòng)態(tài)尋找H，并將該過(guò)程置于第4與第5步驟之間進(jìn)行；學(xué)習(xí)算法（續(xù)）

計(jì)算當(dāng)前群體中所有個(gè)體的適應(yīng)度，并從中確定最佳個(gè)體，然后判斷停機(jī)條件是否滿足；

對(duì)當(dāng)前群體實(shí)施變異操作；

對(duì)當(dāng)前群體實(shí)施接種疫苗操作；

對(duì)接種了疫苗的個(gè)體進(jìn)行檢驗(yàn)，并對(duì)所注射的疫苗做出評(píng)價(jià)；

計(jì)算當(dāng)前群體中所有個(gè)體的適應(yīng)度，并以此為根據(jù)在一定的選擇機(jī)制下，挑選出n個(gè)個(gè)體組成下一代進(jìn)化的群體，然后轉(zhuǎn)至第3步。雙螺旋線問(wèn)題的仿真結(jié)果帶有隨機(jī)干擾的兩類螺旋線：免疫理論的應(yīng)用研究第三部分計(jì)算機(jī)免疫系統(tǒng)的研究計(jì)算機(jī)網(wǎng)絡(luò)模型示意圖

隨著現(xiàn)代計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)和信息技術(shù)的高速發(fā)展，特別是Internet在全球領(lǐng)域的推廣，計(jì)算機(jī)信息系統(tǒng)的安