免疫优化算法.pptx

免疫优化算法 ;免疫算法;一、免疫算法的生物学原理;1.基本概念 免疫系统 是由许多分布式的具有一定功能的个体（T细胞、B细胞、 抗体和细胞因子等）通过相互作用形成的一个复杂的动态大 系统的典型例子，具有个体特异性（一种免疫细胞仅对特定 的抗原起作用）和整体多样性（免疫系统几乎对所有抗原都 能进行处理）的双重特点，具备学习、记忆、自我调整、模 式识别和特征提取能力。;1.基本概念 抗原 是指能够刺激和诱导机体的免疫系统使其产生免疫应答，并能与相应的免疫应答产物在体内或体外发生特异性反应的物质。 抗体 是指免疫系统受抗原刺激后，免疫细胞转化为浆细胞并产生能与抗原发生特异性结合的免疫球蛋白，该免疫球蛋白即为抗体。;1.基本概念 免疫疫苗 根据进化环境或待求问题的先验知识，所得到的对最佳个体基因的估计。 免疫调节 在免疫反应过程中，大量的抗体的产生降低了抗原对免疫细胞的刺激，从而抑制抗体的分化和增殖，同时产生的抗体之间也存在着相互刺激和抑制的关系，这种抗原与抗体、抗体与抗体之间的相互制约关系使抗体免疫反应维持一定的强度，保证机体的免疫平衡。 ;一、免疫算法的生物学原理——免疫系统;二、免疫算法的基本模型及算法;免疫系统与免疫算法的比较;免疫网络;免疫网络的微分方程;免疫系统特点;免疫优化算法算子;首先，重写式（1-1）和式（1-2）;计算整理得：;控制浓度算法如下：;由此生成的混沌序列是遗传学中用以描述昆虫数目世代变化规律的方程，可以用于模拟免疫细胞的增殖方式。 免疫记忆：各子群依次计算完毕后，计算总群体的最大适应值。如果最大适应值大于免疫网络已存在的抗体所能提供的最大适应值，则对应的个体作为新的抗体加入抗体记忆表中，本次最大适应值加入抗体适应值表，否则，启动免疫记忆，根据抗体表中所记忆的历史抗体，利用混沌增殖算子找出新的高适应值个体作为更好的免疫抗体，混沌初值分为历史抗体及抗体的变异个体两种。 免疫代谢：模拟免疫元动态行为，找出子群内5%的低激励水平的个体并去除，利用方程从免疫记忆表中生成新的高适应值个体加入种群中。 ;;三、免疫算法的简单应用;基于免疫优化算法的物流中心选址;算法的实现步骤： 1.产生初始种群。 2.对上述群体中各个抗体进行评价。 3.形成父代群体。 4.判断是否满足条件，是则结束，反之，则继续下一步操作。 5.新种群的产生。 6.转去执行步骤2。;免疫优化算法流程图;1.初始群体的产生;2.解的多样性评价;2.抗体与抗体之间的亲和力 其反映抗体之间的相似程度，此处借鉴Forrest等人提出的R位连续方法计算抗体之间的亲和力，两个个体有至少R位编码相同则两种抗体近似相同。 ;3.抗体浓度 ;4.期望繁殖概率 在种群中，每个个体的期望繁殖概率与抗体与抗原之间的亲和力A和抗体浓度共同决定;3.免疫操作：;4.模型求解;5.Matlab仿真：;%% 迭代寻优 for iii=1:MAXGEN step3 抗体群多样性评价 for i=1:M individuals.fitness(i) = fitness(individuals.chrom(i,:)); % 抗体与抗原亲和度(适应度值）计算 individuals.concentration(i) = concentration(i,M,individuals); % 抗体浓度计算 end % 综合亲和度和浓度评价抗体优秀程度，得出繁殖概率 individuals.excellence = excellence(individuals,M,ps); % 记录当代最佳个体和种群平均适应度 [best,index] = min(individuals.fitness); % 找出最优适应度 bestchrom = individuals.chrom(index,:); % 找出最优个体 average = mean(individuals.fitness); % 计算平均适应度 trace = [trace;best,average]; % 记录 step4 根据excellence，形成父代群，更新记忆库（加入精英保留策略，可由s控制） bestindividuals = bestselect(individuals,M,overbest); % 更新记忆库 individuals = bestselect(individuals,M,sizepop); % 形成父