1、东华大学东华大学Professor Tao GongCollege of Info S&T2014/10Book: Artificial Immune System Based on Normal Model and Its Applications, Tsinghua University Press, 2011Network Course: http:/ Artificial Immunity and Immune ControlAIS龚涛智能系统控制智能系统控制人工免疫与免疫控制人工免疫与免疫控制免疫计算智能系统的应用免疫计算智能系统的应用免疫算法免疫算法人工免疫网络模型人工免疫网络模型
2、生物免疫机理生物免疫机理 人工免疫系统概述人工免疫系统概述AIS龚涛智能系统控制智能系统控制1 概概 述述 人工免疫系统的产生与发展人工免疫系统的产生与发展 AIS的研究范畴及应用的研究范畴及应用 免疫计算智能与其他智能技术的比较免疫计算智能与其他智能技术的比较AIS龚涛智能系统控制智能系统控制1.1 人工免疫系统的产生与发展人工免疫系统的产生与发展 生物信息系统可看成一个分布式自治系统，且生物信息系统可看成一个分布式自治系统，且能提供给科学和工程领域各种富有成效的技术能提供给科学和工程领域各种富有成效的技术和方法和方法 由生物引发的信息处理系统可分为：脑神经系由生物引发的信息处理系统可分为：
3、脑神经系统（神经网络）、遗传系统（进化计算）和免统（神经网络）、遗传系统（进化计算）和免疫系统（人工免疫系统（疫系统（人工免疫系统（AIS） 神经网络和进化计算已被广泛地应用于各个领神经网络和进化计算已被广泛地应用于各个领域，而域，而AIS由于其复杂性没有引起与神经网络由于其复杂性没有引起与神经网络和进化计算等计算领域同等的重视，直到近几和进化计算等计算领域同等的重视，直到近几年才引起国内外研究学者的兴趣年才引起国内外研究学者的兴趣 AIS龚涛智能系统控制智能系统控制Dasgupta给出的定义：给出的定义：“人工免疫系统由生人工免疫系统由生物免疫系统启发而来的智能策略所组成，物免疫系统启发而来
4、的智能策略所组成，主要用于信息处理和问题求解主要用于信息处理和问题求解”Timmis给出的定义：给出的定义：“人工免疫系统是一种人工免疫系统是一种由理论生物学启发而来的计算范式，它借由理论生物学启发而来的计算范式，它借鉴了一些免疫系统的功能、原理和模型并鉴了一些免疫系统的功能、原理和模型并用于复杂问题的解决用于复杂问题的解决” 人工免疫系统的定义人工免疫系统的定义AIS龚涛智能系统控制智能系统控制人工免疫系统的产生与发展人工免疫系统的产生与发展AIS的研究结果已涉及到的研究结果已涉及到控制控制 故障诊断故障诊断 模式识别模式识别图像识别图像识别 优化设计优化设计 机器学习机器学习联想记忆联想记
5、忆 知识发现知识发现 异常检测异常检测 计算机网络安全等许多领域计算机网络安全等许多领域AIS龚涛智能系统控制智能系统控制 AIS已成为许多国际期刊的重要议题如，已成为许多国际期刊的重要议题如，Evolutionary Computation，IEEE Transaction on Evolutionary Computation等，后者在等，后者在2001年和年和2002年相继出版了年相继出版了AIS专辑专辑 在国际会议方面，从在国际会议方面，从1997年开始，年开始，IEEE System，Man and Cybernetic国际会议每年均组织专门的国际会议每年均组织专门的AIS研讨会研讨
6、会 其它国际会议如其它国际会议如GECCO（Genetic and Evolutionary Computation Conference），），CEC（Congress on Evolutionary Computation）等也将）等也将AIS作为主题之一作为主题之一 第一届第一届AIS国际学术会议国际学术会议ICARIS（1st International Conference on Artificial Immune Systems）也于）也于2002年年9月在月在英国英国Kent大学召开大学召开 2 0 1 22 0 1 2 年年 , , 首 个 人 工 免 疫 系 统 领 域 的
7、学 术 刊 物首 个 人 工 免 疫 系 统 领 域 的 学 术 刊 物 I m m u n e I m m u n e ComputationComputation创刊创刊人工免疫系统的产生与发展人工免疫系统的产生与发展AIS龚涛智能系统控制智能系统控制 AIS研究的主要内容是根据生物免疫系统研究的主要内容是根据生物免疫系统的一些重要机理和原理，得到人工免疫网的一些重要机理和原理，得到人工免疫网络模型和免疫学习算法，并将这些计算模络模型和免疫学习算法，并将这些计算模型用于工程及计算机网络等各个方面型用于工程及计算机网络等各个方面 人工免疫网络模型的生物理论基础是各种人工免疫网络模型的生物理论
8、基础是各种免疫网络学说，如独特型网络、互联耦合免疫网络学说，如独特型网络、互联耦合免疫网络、免疫反应网络、对称网络和多免疫网络、免疫反应网络、对称网络和多值免疫网络等值免疫网络等AIS的研究范畴及应用的研究范畴及应用 AIS龚涛智能系统控制智能系统控制免疫算法有以下优点：免疫算法有以下优点： 保存了多样性。因为免疫算法有两大特点，即保存了多样性。因为免疫算法有两大特点，即多样性和自我调节，所以使用这一方法能够获得多样性和自我调节，所以使用这一方法能够获得许多优化问题的最优解许多优化问题的最优解 记忆训练。应用免疫算法，通过重复的优化过记忆训练。应用免疫算法，通过重复的优化过程，能够很快地得到最
9、优解。因为对于曾经出现程，能够很快地得到最优解。因为对于曾经出现过的抗原，免疫算法产生相应抗体的速度比以前过的抗原，免疫算法产生相应抗体的速度比以前更快。虽然遗传算法和免疫算法一样，都是模仿更快。虽然遗传算法和免疫算法一样，都是模仿自然进化过程的优化模型，但是在记忆训练和不自然进化过程的优化模型，但是在记忆训练和不同抗体的产生方面，两者有本质的区别同抗体的产生方面，两者有本质的区别 免疫算法与进化算法的比较免疫算法与进化算法的比较 AIS龚涛智能系统控制智能系统控制免疫算法与一般的确定性优化算法相比，有以下免疫算法与一般的确定性优化算法相比，有以下显著特点：显著特点： 它同时搜索解空间中的一系
10、列点，而不只是一个它同时搜索解空间中的一系列点，而不只是一个点点 它处理的对象是表示待求解参数的编码数字串，它处理的对象是表示待求解参数的编码数字串，而不是参数本身而不是参数本身 它使用的是目标函数本身，而不是其导数或其它它使用的是目标函数本身，而不是其导数或其它附加信息附加信息 它的变化规则是随机的，而不是确定的它的变化规则是随机的，而不是确定的 免疫算法与进化算法的比较免疫算法与进化算法的比较 AIS龚涛智能系统控制智能系统控制免疫算法与其它非确定性算法（如遗传算法免疫算法与其它非确定性算法（如遗传算法进化策略等）之间有如下的区别：进化策略等）之间有如下的区别： 它在记忆单元基础上运行，确
11、保了快速收它在记忆单元基础上运行，确保了快速收敛于全局最优解敛于全局最优解 它有计算亲和性的程序，反映了真实免疫它有计算亲和性的程序，反映了真实免疫系统的多样性系统的多样性 它通过促进或抑制抗体的产生，体现了免它通过促进或抑制抗体的产生，体现了免疫反应的自我调节功能疫反应的自我调节功能免疫算法与进化算法的比较免疫算法与进化算法的比较 AIS龚涛智能系统控制智能系统控制 免疫算法有不同于其它算法的附加优化步骤：免疫算法有不同于其它算法的附加优化步骤： 计算亲和性。亲和性有两种形式：一种形式说明了计算亲和性。亲和性有两种形式：一种形式说明了抗体和抗原之间的关系，即解和目标的匹配程度；抗体和抗原之间
12、的关系，即解和目标的匹配程度；另一种形式解释了抗体之间的关系，这个独有的特另一种形式解释了抗体之间的关系，这个独有的特性保证了免疫算法具有多样性性保证了免疫算法具有多样性 计算期望值。计算期望值的作用是控制适用于抗原计算期望值。计算期望值的作用是控制适用于抗原（目标）的相同抗体的过多产生（目标）的相同抗体的过多产生 构造记忆单元。用一组记忆单元保存用于防御抗原构造记忆单元。用一组记忆单元保存用于防御抗原的一组抗体（优化问题的候选解）。在此基础上，的一组抗体（优化问题的候选解）。在此基础上，免疫算法能够以很快的速度收敛于全局最优解免疫算法能够以很快的速度收敛于全局最优解免疫算法与进化算法的比较免
13、疫算法与进化算法的比较 AIS龚涛智能系统控制智能系统控制2 生物免疫机理生物免疫机理 生物免疫系统的组成与特征生物免疫系统的组成与特征 免疫系统的计算能力免疫系统的计算能力 免疫系统的自体免疫系统的自体/异体识别机理异体识别机理 免疫系统的网络学说免疫系统的网络学说 免疫的学习机理免疫的学习机理 免疫系统的反馈机理免疫系统的反馈机理 与免疫遗传算法相关的生物机理与免疫遗传算法相关的生物机理 AIS龚涛智能系统控制智能系统控制生物免疫系统的组成与特征生物免疫系统的组成与特征 免疫系统是生物，特别是脊椎动物和免疫系统是生物，特别是脊椎动物和人类所必备的防御机理，它由具有免人类所必备的防御机理，它
14、由具有免疫功能的器官、组织、细胞、免疫效疫功能的器官、组织、细胞、免疫效应分子及有关的基因等组成，可以保应分子及有关的基因等组成，可以保护机体抗御病原体、有害的异物及癌护机体抗御病原体、有害的异物及癌细胞等致病因子的侵害细胞等致病因子的侵害 免疫的功能包括：免疫防御免疫的功能包括：免疫防御 ；免疫稳；免疫稳定；免疫监视定；免疫监视 AIS龚涛智能系统控制智能系统控制生物免疫系统的组成与特征生物免疫系统的组成与特征抗原具有的性能：抗原具有的性能：（1）刺激机体产生免疫应答的免疫原性）刺激机体产生免疫应答的免疫原性（2）与相应免疫应答的产物发生特异性结合）与相应免疫应答的产物发生特异性结合AIS龚
15、涛智能系统控制智能系统控制免疫系统的计算能力免疫系统的计算能力 免疫识别免疫识别 免疫学习免疫学习 免疫记忆免疫记忆 克隆选择和阈值机理克隆选择和阈值机理 个体多样性个体多样性 分布式和自适应性分布式和自适应性 特征抽取特征抽取 自我调整自我调整 AIS龚涛智能系统控制智能系统控制免疫系统的网络学说免疫系统的网络学说 免疫学说中有两种学说占主导地位免疫学说中有两种学说占主导地位（1）细胞克隆选择学说）细胞克隆选择学说 细胞克隆选择学说的基点是外来抗原选择原先处细胞克隆选择学说的基点是外来抗原选择原先处于静止状态的互补细胞克隆，被选择细胞克隆的于静止状态的互补细胞克隆，被选择细胞克隆的激活、增殖
16、和效应概念是免疫应答的细胞学过程，激活、增殖和效应概念是免疫应答的细胞学过程，然而针对自身抗原的细胞克隆则被抑制或消除，然而针对自身抗原的细胞克隆则被抑制或消除，因而对外来抗原的识别是关键因素。因而对外来抗原的识别是关键因素。AIS龚涛智能系统控制智能系统控制（2）网络学说）网络学说 网络学说的观点是建立在自身识别上，认为免疫系网络学说的观点是建立在自身识别上，认为免疫系统是淋巴细胞上分布的特异性抗原受体统是淋巴细胞上分布的特异性抗原受体V区的网络，区的网络，这个网络是通过免疫细胞相互识别这个网络是通过免疫细胞相互识别V区上的抗原决区上的抗原决定簇来实现的；对外来抗原的应答是建筑在识别自定簇来
17、实现的；对外来抗原的应答是建筑在识别自身抗原基础上的反应。免疫应答中的细胞间相互作身抗原基础上的反应。免疫应答中的细胞间相互作用大致有四种类型：相关识别、连锁识别、多克隆用大致有四种类型：相关识别、连锁识别、多克隆相互作用、独特型与抗独特型之间相互作用。相互作用、独特型与抗独特型之间相互作用。 免疫系统的网络学说免疫系统的网络学说 AIS龚涛智能系统控制智能系统控制 免疫系统具有高度分辨免疫系统具有高度分辨“自体自体”与与“异体异体”抗原抗原物质的能力，这种识别作用是由免疫淋巴细胞完物质的能力，这种识别作用是由免疫淋巴细胞完成的。免疫淋巴细胞对抗原分子的识别、自身的成的。免疫淋巴细胞对抗原分子
18、的识别、自身的活化、增殖和分化以及产生效应的过程称之为免活化、增殖和分化以及产生效应的过程称之为免疫应答。免疫淋巴细胞在抗原识别过程中被诱导疫应答。免疫淋巴细胞在抗原识别过程中被诱导活化，形成以活化，形成以B细胞介导的体液免疫和以细胞介导的体液免疫和以T细胞介细胞介导的细胞免疫；亦可被诱导而处于不活化状态，导的细胞免疫；亦可被诱导而处于不活化状态，称之为免疫耐受。称之为免疫耐受。免疫系统的自体免疫系统的自体/异体识别机理异体识别机理 AIS龚涛智能系统控制智能系统控制 免疫细胞对抗原的识别是通过结合（或匹配）免疫细胞对抗原的识别是通过结合（或匹配）过程实现的，相应地，过程实现的，相应地，AIS
19、中的抗原识别通过特中的抗原识别通过特征匹配来实现，其核心是定义一个匹配阈值，征匹配来实现，其核心是定义一个匹配阈值，而对匹配的度量则采用多种方法如，海明而对匹配的度量则采用多种方法如，海明（Hamming）距离、欧式（）距离、欧式（Euclidean）距离及）距离及Forrest所提出的所提出的R连续位匹配方法等连续位匹配方法等 免疫系统的自体免疫系统的自体/异体识别机理异体识别机理 AIS龚涛智能系统控制智能系统控制免疫的学习机理免疫的学习机理 免疫学习大致可分为两种：一种发生在初次免疫学习大致可分为两种：一种发生在初次应答阶段，即免疫系统首次识别一种新的抗应答阶段，即免疫系统首次识别一种新
20、的抗原时，其应答时间相对较长；而当机体重复原时，其应答时间相对较长；而当机体重复遇到同一抗原时，由于免疫记忆机制的作用，遇到同一抗原时，由于免疫记忆机制的作用，免疫系统对该抗原的应答速度大大提高，并免疫系统对该抗原的应答速度大大提高，并且产生高亲和度的抗体去除抗原，这个过程且产生高亲和度的抗体去除抗原，这个过程是一个增强式学习（是一个增强式学习（reinforcement learning）过程，对应于再次应答。过程，对应于再次应答。 AIS龚涛智能系统控制智能系统控制免疫学习一般有以下几种途径：免疫学习一般有以下几种途径：（1）对同一抗原进行重复学习，属于增强式学习）对同一抗原进行重复学习，
21、属于增强式学习（2）亲和度成熟，对应于）亲和度成熟，对应于AIS中的个体经遗传操作中的个体经遗传操作后其亲和度逐步提高的过程，属于遗传学习后其亲和度逐步提高的过程，属于遗传学习（3）低度的重复感染，对应于）低度的重复感染，对应于AIS的重复训练过程的重复训练过程（4）对内生和外生抗原的交叉应答，属于联想式学）对内生和外生抗原的交叉应答，属于联想式学习，对应于联想记忆机制习，对应于联想记忆机制 免疫的学习机理免疫的学习机理 AIS龚涛智能系统控制智能系统控制免疫系统的反馈机理免疫系统的反馈机理 BTHTSAbAgIL+IL-BTHTSAbAgIL+IL- 由免疫反馈原理图知，当抗原进入机体，经周
22、围细胞消化后，由免疫反馈原理图知，当抗原进入机体，经周围细胞消化后，将信息传递给将信息传递给T细胞，即传递给细胞，即传递给TH细胞和细胞和TS细胞，细胞， TS细胞用于抑细胞用于抑制制TH细胞的产生。然后共同刺激细胞的产生。然后共同刺激B细胞，经过一段时间后，细胞，经过一段时间后，B细细胞产生抗体以清除抗原。当抗原较多时，机体内的胞产生抗体以清除抗原。当抗原较多时，机体内的TH细胞亦较细胞亦较多，而多，而TS细胞却较少，从而产生的细胞却较少，从而产生的B细胞会多些。随着抗原的减细胞会多些。随着抗原的减少，机体内少，机体内TS细胞增多，它抑制了细胞增多，它抑制了TH细胞的产生，则细胞的产生，则B
23、细胞也随细胞也随着减少，经过一段时间后，免疫反馈系统便趋于平衡。着减少，经过一段时间后，免疫反馈系统便趋于平衡。 ST图图1 免疫系统的反馈机理免疫系统的反馈机理AIS龚涛智能系统控制智能系统控制与遗传算法相关的特征与遗传算法相关的特征（1）产生多样抗体的能力：通过细胞的分裂和分化作用，）产生多样抗体的能力：通过细胞的分裂和分化作用，免疫系统可产生大量的抗体来抵御各种抗原，这对应于遗免疫系统可产生大量的抗体来抵御各种抗原，这对应于遗传算法中个体的多样性。这种机制可用于提高遗传算法的传算法中个体的多样性。这种机制可用于提高遗传算法的全局搜索能力而不陷于局部解全局搜索能力而不陷于局部解（2）自我调
24、节机构：免疫系统具有维持免疫平衡的机制，）自我调节机构：免疫系统具有维持免疫平衡的机制，通过对抗体的抑制和促进作用，能自我调节产生适当数量通过对抗体的抑制和促进作用，能自我调节产生适当数量的必要抗体。这对应于遗传算法中个体浓度的抑制和促进，的必要抗体。这对应于遗传算法中个体浓度的抑制和促进，利用这一功能可以提高遗传算法的局部搜索能力利用这一功能可以提高遗传算法的局部搜索能力与免疫遗传算法相关的生物机理与免疫遗传算法相关的生物机理 AIS龚涛智能系统控制智能系统控制与遗传算法相关的特征与遗传算法相关的特征 （3）免疫记忆功能：产生抗体的部分细胞会作为）免疫记忆功能：产生抗体的部分细胞会作为记忆细
25、胞而被保存下来，对于今后侵入的同类抗记忆细胞而被保存下来，对于今后侵入的同类抗原，相应的记忆细胞会迅速激发而产生大量的抗原，相应的记忆细胞会迅速激发而产生大量的抗体。如果遗传算法能利用这种抗原记忆识别功能，体。如果遗传算法能利用这种抗原记忆识别功能，则可以加快搜索速度，提高遗传算法的总体搜索则可以加快搜索速度，提高遗传算法的总体搜索能力能力AIS龚涛智能系统控制智能系统控制3 人工免疫网络模型人工免疫网络模型 独特型网络模型独特型网络模型 互联耦合免疫网络模型互联耦合免疫网络模型 对称网络模型对称网络模型 多值网络模型多值网络模型 AIS龚涛智能系统控制智能系统控制 Jerne提出的独特型网络
26、学说，它是以克隆选择提出的独特型网络学说，它是以克隆选择理论为基础。理论为基础。Jerne强调免疫系统中各个细胞克强调免疫系统中各个细胞克隆不是处于一种孤立状态，而是通过自体隆不是处于一种孤立状态，而是通过自体/异体异体识别、相互刺激和相互制约构成一个动态平衡识别、相互刺激和相互制约构成一个动态平衡的网络结构。构成相互刺激和相互制约的物质的网络结构。构成相互刺激和相互制约的物质基础是独特型和抗独特型。基础是独特型和抗独特型。独特型网络模型独特型网络模型AIS龚涛智能系统控制智能系统控制 独特型网络实质上是建立在独特型和抗独特型细独特型网络实质上是建立在独特型和抗独特型细胞克隆的相互作用上，因而
27、可以认为免疫系统由胞克隆的相互作用上，因而可以认为免疫系统由两套细胞组成：一套是具有独特型并识别抗原的两套细胞组成：一套是具有独特型并识别抗原的淋巴细胞，也就是网络中的第一层细胞淋巴细胞，也就是网络中的第一层细胞Ab1细胞；另一套是识别独特型的淋巴细胞，它们是细胞；另一套是识别独特型的淋巴细胞，它们是网络中的第二层细胞网络中的第二层细胞Ab2细胞，是抗独特型细胞，是抗独特型细胞，或称之为细胞，或称之为“独特型特异的细胞独特型特异的细胞”。第一层。第一层的的Ab1细胞，就是能和抗原结合反应的细胞，就是能和抗原结合反应的T细胞、细胞、B细胞。第二层的细胞。第二层的Ab2细胞，包括细胞，包括Ab2
28、B细胞（结细胞（结合独特型或分泌抗独特型的合独特型或分泌抗独特型的B细胞）和细胞）和Ab2 T细细胞（识别或结合独特型的胞（识别或结合独特型的T细胞）细胞）独特型网络模型独特型网络模型AIS龚涛智能系统控制智能系统控制 Jerne的网络学说奠定了用整体的、联系的观点的网络学说奠定了用整体的、联系的观点解释免疫调节和免疫现象的基本思想，以此免疫解释免疫调节和免疫现象的基本思想，以此免疫学说为基础，学说为基础，Richter、Hoffmann等又加以修改等又加以修改补充提出了新的网络模型。补充提出了新的网络模型。 Richter把各种不同的克隆称为功能单位，以把各种不同的克隆称为功能单位，以Ab0
29、、Ab1、Ab2、Ab3等表示，等表示， 每一个克隆包括每一个克隆包括T细胞、细胞、B细胞、抗体分子及细胞、抗体分子及T细胞因子。细胞因子。Ab1识别外源性识别外源性抗原决定基（抗原决定基（Ag1），），Ab2识别识别Ab1的的Id，Ab3识识别别Ab2的的Id，以此类推。，以此类推。独特型网络模型独特型网络模型AIS龚涛智能系统控制智能系统控制独特型网络模型独特型网络模型Ag0Ab2Ab3Ag1Ab1抗体抗原抑制刺激Ab0Ag0Ab2Ab3Ag1Ab1抗体抗原抑制刺激抑制刺激Ab0图图2 免疫网络的结构图免疫网络的结构图 AIS龚涛智能系统控制智能系统控制 鉴于目前抗体之间大规模的联接还没有
30、用实验论鉴于目前抗体之间大规模的联接还没有用实验论证，但已发现免疫系统是通过抗体之间证，但已发现免疫系统是通过抗体之间4个或个或5个个链来成功地维持着生物组织，这个发现说明免疫链来成功地维持着生物组织，这个发现说明免疫系统能利用局部的连接来维持生物组织的正常工系统能利用局部的连接来维持生物组织的正常工作，也就是说，免疫系统能通过多个完成某一特作，也就是说，免疫系统能通过多个完成某一特定任务的局部免疫网络（定任务的局部免疫网络（LIN）之间的相互通讯）之间的相互通讯来形成大规模免疫网络，从而表现出它的显著能来形成大规模免疫网络，从而表现出它的显著能力，这就是力，这就是Ishiguro等提出的互联
31、耦合免疫网络模等提出的互联耦合免疫网络模型。互联耦合免疫网络学说如图型。互联耦合免疫网络学说如图3所示。所示。 互联耦合免疫网络互联耦合免疫网络 AIS龚涛智能系统控制智能系统控制 L I N 1 L I N 2 L I N 3 L I N 4 图图3 互联耦合免疫网络学说互联耦合免疫网络学说互联耦合免疫网络互联耦合免疫网络 AIS龚涛智能系统控制智能系统控制 免疫系统对外来抗原的应答是建立在识别自身抗原基免疫系统对外来抗原的应答是建立在识别自身抗原基础上的反应，当我们考虑系统对特定抗原的响应时，础上的反应，当我们考虑系统对特定抗原的响应时，我们不仅要考虑相应的抗体，而且要考虑抗抗体等。我们不
32、仅要考虑相应的抗体，而且要考虑抗抗体等。 Hoffmann根据免疫网络学说提出了对称网络模型。根据免疫网络学说提出了对称网络模型。为了使问题容易处理，我们认为只有两类主要的淋巴为了使问题容易处理，我们认为只有两类主要的淋巴细胞响应特异性抗原的攻击。第一类为正集合或称结细胞响应特异性抗原的攻击。第一类为正集合或称结合抗原的抗体集合，用合抗原的抗体集合，用T和和B分别表示分别表示T细胞和细胞和B细胞，细胞，该类细胞具有独特型，能识别抗原，与抗原结合并反该类细胞具有独特型，能识别抗原，与抗原结合并反应。第二类为负集合或称抗独特型集合，用应。第二类为负集合或称抗独特型集合，用T和和B分别表示抗独特型的
33、分别表示抗独特型的T细胞和细胞和B细胞，该类细胞能识细胞，该类细胞能识别独特型。别独特型。 对称网络模型对称网络模型 AIS龚涛智能系统控制智能系统控制从对称网络可得出包括有从对称网络可得出包括有T、T、B和和B细胞的系统有细胞的系统有四种稳定的状态，它们分别为初始状态、抑制状态、免疫四种稳定的状态，它们分别为初始状态、抑制状态、免疫状态及抗免疫状态，如图状态及抗免疫状态，如图4所示。初始状态为正、负集合所示。初始状态为正、负集合中细胞的数量较少时的对称状态，正集合的细胞抗体杀死中细胞的数量较少时的对称状态，正集合的细胞抗体杀死负集合细胞，负集合的细胞抗体杀死正集合细胞，即不断负集合细胞，负集
34、合的细胞抗体杀死正集合细胞，即不断的相互杀死。在抑制状态下，正负集合中细胞的数量都不的相互杀死。在抑制状态下，正负集合中细胞的数量都不断增多，主要受断增多，主要受T细胞因子的抑制作用影响。在免疫状态细胞因子的抑制作用影响。在免疫状态下，正集合中的细胞数量较多，正集合中的细胞抗体消除下，正集合中的细胞数量较多，正集合中的细胞抗体消除负细胞。就抗原刺激方面来讲它是应答状态，由于正细胞负细胞。就抗原刺激方面来讲它是应答状态，由于正细胞不再受到负细胞数量的限制。在抗免疫状态下，负集合的不再受到负细胞数量的限制。在抗免疫状态下，负集合的细胞抗体消除正集合中的细胞，为免疫状态的反向状态，细胞抗体消除正集合
35、中的细胞，为免疫状态的反向状态，因而是反向应答状态。因而是反向应答状态。对称网络模型对称网络模型 AIS龚涛智能系统控制智能系统控制对称网络模型对称网络模型 T+ B+ T T 初始状态 T+ T B+ B T+ 抑制状态 T+ T B+ B T + + + + B+ B + + + + T+ B+ T+ T B+ B 免疫状态 T B T+ T B+ B 抗免疫状态 图图4 对称免疫系统网络理论的稳定状态图对称免疫系统网络理论的稳定状态图 AIS龚涛智能系统控制智能系统控制多值网络模型多值网络模型 Tang提出了一种基于免疫应答原理的多值网络模提出了一种基于免疫应答原理的多值网络模型。该多值
36、免疫网络模型模拟免疫系统型。该多值免疫网络模型模拟免疫系统B细胞和细胞和T细胞间的相互作用，具有与免疫系统极其类似细胞间的相互作用，具有与免疫系统极其类似的特性。的特性。 系统操作系统操作AIS龚涛智能系统控制智能系统控制首先，输入模式（首先，输入模式（Ag）输入到）输入到B细胞群细胞群体（体（N个细胞），输入模式的每一个点个细胞），输入模式的每一个点（二进制或多值）输入到相应的（二进制或多值）输入到相应的B细胞细胞层。衡量输入模式后递呈所有的层。衡量输入模式后递呈所有的T细胞细胞（M个细胞），这是抗原递呈，如图个细胞），这是抗原递呈，如图5所示。其中，所示。其中， 为为B细细胞到细胞的连接权
37、值胞到细胞的连接权值 多值网络模型多值网络模型 ),.,(21NjjjjWWWW AIS龚涛智能系统控制智能系统控制多值网络模型多值网络模型 B1W1jAg1Ag2AgiAgNB2BiBNW2jWijWNjTH1TH2THjTHMB1W1jAg1Ag2AgiAgNB2BiBNW2jWijWNjTH1TH2THjTHM图图5 B细胞到细胞的权值连接细胞到细胞的权值连接 AIS龚涛智能系统控制智能系统控制5.4 免疫算法免疫算法 阴性选择算法阴性选择算法 学习算法学习算法 免疫进化算法免疫进化算法 克隆选择算法克隆选择算法 免疫免疫Agent算法算法 AIS龚涛智能系统控制智能系统控制阴性选择算法
38、阴性选择算法 基于免疫系统的自体基于免疫系统的自体/异体识别原理，异体识别原理，Forrest等开发了一种等开发了一种用于检测数据改变的阴性选择算法。其基本思想是考虑用于检测数据改变的阴性选择算法。其基本思想是考虑T细胞表面有能检测异物（抗原）的接收器，故将细胞表面有能检测异物（抗原）的接收器，故将T细胞用细胞用于其识别部分。其算法可概括如下：于其识别部分。其算法可概括如下： 步骤步骤1：定义一组长度为：定义一组长度为 l 的有限字符串的有限字符串 S 表示表示“自体自体”； 步骤步骤2：产生检测器集：产生检测器集R，R 中每个检测器与中每个检测器与 S 中的串都中的串都不匹配；不匹配； 步骤
39、步骤3：通过不断地将：通过不断地将 R 中的检测器与中的检测器与 S 进行比较来监进行比较来监控控 S 的改变。的改变。 以上算法主要依赖于以下三个重要原理：（以上算法主要依赖于以下三个重要原理：（1）检测算法的）检测算法的每个拷贝是唯一的；（每个拷贝是唯一的；（2）检测是概率的；（）检测是概率的；（3）它是概率）它是概率地检测任何异常活动，而不是寻找特定的已知改变模式的地检测任何异常活动，而不是寻找特定的已知改变模式的鲁棒系统。鲁棒系统。 AIS龚涛智能系统控制智能系统控制学习算法学习算法 受生物免疫系统的启发，受生物免疫系统的启发，Hunt和和Cooke开发了开发了一种一种AIS及其免疫学
40、习算法。该及其免疫学习算法。该AIS主要由骨髓、主要由骨髓、B细胞网络、抗原和抗体等组成，细胞网络、抗原和抗体等组成，AIS的许多处的许多处理包含在理包含在B细胞和它们的抗体里。细胞和它们的抗体里。B细胞网络是细胞网络是由一组由一组B细胞实现，且这些细胞实现，且这些B细胞之间相互联接。细胞之间相互联接。骨髓节点用于运行骨髓的功能且决定在免疫网骨髓节点用于运行骨髓的功能且决定在免疫网络哪儿插入一个给定的抗原、哪个络哪儿插入一个给定的抗原、哪个B细胞死亡及细胞死亡及激发一些新的细胞添加到免疫网络中。激发一些新的细胞添加到免疫网络中。 AIS龚涛智能系统控制智能系统控制学习算法学习算法 （1）初始化
41、）初始化B细胞个体代；细胞个体代；（2）装载抗原群体；）装载抗原群体；（3）选择在）选择在B细胞个体中需要插入的抗原比例；细胞个体中需要插入的抗原比例；（4）从抗原群体中随机地选择抗原，按（）从抗原群体中随机地选择抗原，按（3）中的比例插入）中的比例插入 B细胞个体并产生免疫响应；细胞个体并产生免疫响应；（5）通过激励水平对）通过激励水平对B细胞排序；细胞排序；（6）去掉激励水平低的）去掉激励水平低的B细胞（占细胞（占B细胞总数的细胞总数的5）；）；（7）再产生）再产生n个新的个新的B细胞（占细胞（占B细胞总数的细胞总数的5）；）；（8）选择）选择m个新的个新的B细胞加入免疫网络（细胞加入免疫
42、网络（m为为B细胞总数的细胞总数的5 ）；）；（9）满足要求结束，否则转至（）满足要求结束，否则转至（3）重复执行。）重复执行。AIS龚涛智能系统控制智能系统控制免疫进化算法免疫进化算法 利用疫苗的免疫算法与免疫规划利用疫苗的免疫算法与免疫规划 免疫免疫系统系统免疫算法免疫算法免疫规划免疫规划抗原所求解的问题所求解的问题所有可能错误的基因，即非所有可能错误的基因，即非最佳个体的基因最佳个体的基因抗体抗体求解问题的一种方案求解问题的一种方案根据疫苗修正某个个体基因根据疫苗修正某个个体基因所得到的新个体所得到的新个体疫苗疫苗针对具体问题所提取的最针对具体问题所提取的最基本的特征信息基本的特征信息根
43、据进化环境或待求解问题根据进化环境或待求解问题的先验知识，所得最佳个体的先验知识，所得最佳个体基因的估计基因的估计接种接种疫苗疫苗先验知识修正个体基因使先验知识修正个体基因使得到的新个体以较大的概得到的新个体以较大的概率具有更高的适应度率具有更高的适应度根据疫苗修正个体基因的过根据疫苗修正个体基因的过程，消除原来在新个体产生程，消除原来在新个体产生时所带来的负面影响时所带来的负面影响AIS龚涛智能系统控制智能系统控制免疫进化算法免疫进化算法 利用抗体多样性的免疫遗传算法利用抗体多样性的免疫遗传算法 在标准的进化算法中，利用抗体的浓度选择机制，实现抗体间刺激在标准的进化算法中，利用抗体的浓度选择
44、机制，实现抗体间刺激和抑制的作用关系，进行多样性保持，改善未成熟收敛，提高进化和抑制的作用关系，进行多样性保持，改善未成熟收敛，提高进化算法的性能。在传统的适应度比例机制的基础上，增加基于浓度的算法的性能。在传统的适应度比例机制的基础上，增加基于浓度的调节因子，个体的选择概率调节因子，个体的选择概率p p由适应度概率由适应度概率 和浓度抑制概率和浓度抑制概率 两部分组成：两部分组成：（1 1）其中，其中， 和和 是调节常数，是调节常数，N N为抗体总数，为抗体总数， 为抗体浓度。可为抗体浓度。可以看出，个体的适应度越大，则选择概率越大；而个体浓度越大，以看出，个体的适应度越大，则选择概率越大；
45、而个体浓度越大，则选择概率越小。这样，在保留适应度个体的同时，进一步确保个则选择概率越小。这样，在保留适应度个体的同时，进一步确保个体多样性，改善了早熟现象。体多样性，改善了早熟现象。jCNjdifiieNjFitiFitppp1)1 ()()()1 (1iCjpdpAIS龚涛智能系统控制智能系统控制免疫进化算法免疫进化算法 （1）抗原识别：抗原对应于免疫遗传算法）抗原识别：抗原对应于免疫遗传算法所要解决的问题所要解决的问题（2）初始抗体产生：初始抗体对应于问题）初始抗体产生：初始抗体对应于问题的候选解。如果抗原识别模块判断出新抗原的候选解。如果抗原识别模块判断出新抗原是记忆中的抗原，则从记忆
46、细胞中取出相应是记忆中的抗原，则从记忆细胞中取出相应的抗体组成免疫遗传算法的初始群体，否则，的抗体组成免疫遗传算法的初始群体，否则，随机产生初始群体随机产生初始群体（3）适应度计算：计算每个抗体的适应度）适应度计算：计算每个抗体的适应度AIS龚涛智能系统控制智能系统控制免疫进化算法免疫进化算法 （4）演化记忆细胞：如果抗原是新抗原，则）演化记忆细胞：如果抗原是新抗原，则用当前群体中适应度高的个体替换掉记忆细用当前群体中适应度高的个体替换掉记忆细胞中适应度低的个体。否则，把当前群体中胞中适应度低的个体。否则，把当前群体中适应度高的个体加入到记忆细胞中适应度高的个体加入到记忆细胞中（5）抗体的促进
47、和抑制：计算当前群体中适）抗体的促进和抑制：计算当前群体中适应度相近的个体浓度，浓度高则减小该个体应度相近的个体浓度，浓度高则减小该个体的选择概率，反之则增加该个体的选择概率的选择概率，反之则增加该个体的选择概率（6）抗体产生：交叉和变异）抗体产生：交叉和变异AIS龚涛智能系统控制智能系统控制免疫进化算法免疫进化算法 初始抗体的产生计算亲和力抗体产生的促进和消除产生抗体抗原的识别是否计算亲和力产生抗体终止?演变记忆细胞初始抗体的产生计算亲和力抗体产生的促进和消除产生抗体抗原的识别是否计算亲和力产生抗体终止?演变记忆细胞图图6 免疫遗传算法流程图免疫遗传算法流程图 AIS龚涛智能系统控制智能系统
48、控制基于免疫更新机制的遗传算法基于免疫更新机制的遗传算法 根据免疫更新机制设计出遗传操作系统，根据免疫更新机制设计出遗传操作系统，我们称之为基于免疫更新机制的遗传算法我们称之为基于免疫更新机制的遗传算法（IRM-GA） 基于免疫更新机制的遗传算法与传统遗传基于免疫更新机制的遗传算法与传统遗传算法的比较算法的比较 1）IRM-GA按照免疫更新机制，随机地从前代抗体群中按照免疫更新机制，随机地从前代抗体群中选取任意多个抗体，并取出这些抗体的某段染色体进行选取任意多个抗体，并取出这些抗体的某段染色体进行随机组合，生成新的抗体。因而新生成的抗体没有名义随机组合，生成新的抗体。因而新生成的抗体没有名义上
49、的父母，具有很好的多样性，有效地解决了传统遗传上的父母，具有很好的多样性，有效地解决了传统遗传算法由于只对两个染色体进行交叉操作而出现的早期收算法由于只对两个染色体进行交叉操作而出现的早期收敛问题敛问题AIS龚涛智能系统控制智能系统控制基于免疫更新机制的遗传算法基于免疫更新机制的遗传算法 2）IRM-GA把目的函数与制约条件作为抗原，使生成的把目的函数与制约条件作为抗原，使生成的抗体直接与问题相关联，收敛方向能得以控制，从而克服抗体直接与问题相关联，收敛方向能得以控制，从而克服了传统遗传算法收敛方向无法控制的缺陷了传统遗传算法收敛方向无法控制的缺陷 3）IRM-GA对遗传子进行分段编码，能保证
50、型质遗传，对遗传子进行分段编码，能保证型质遗传，并使抗体遗传子能对应多值染色体，从而扩大了传统遗传并使抗体遗传子能对应多值染色体，从而扩大了传统遗传算法的应用范围算法的应用范围 4）IRM-GA中的潜在更新个体必须经过两次亲和度测试中的潜在更新个体必须经过两次亲和度测试才能进入种群，使遗传操作对个体的选择更具针对性才能进入种群，使遗传操作对个体的选择更具针对性 AIS龚涛智能系统控制智能系统控制克隆选择算法克隆选择算法 基于克隆选择理论和亲和力成熟过程可提出一种基于克隆选择理论和亲和力成熟过程可提出一种克隆选择算法，其流程图如图克隆选择算法，其流程图如图7所示。该算法描述所示。该算法描述如下：
