人工免疫相關演算法

標籤：好的   步驟   高斯分布   結束   alt   logs   更新   最好   不同的   

人工免疫相關最佳化演算法

1. 負向選擇演算法

生物學機理：定義任何屬於人體自身的組織稱為自體，任何入侵的東西稱為異體。產生的抗體與自身細胞結合，則取消該抗體；留下的正式抗體，如果某異體與之產生結合并達到一定的閾值，則該異體檢測為抗原，予以清除。

1. 複製選擇演算法

演算法思想：淘汰與抗原結合能力差的抗體，對優質抗體變異，增加抗體的多樣性。

演算法流程：

1）產生出事候選集P：其由記憶細胞子集和保留子集組成。

2）選取n個親和度最大的子集作為抗體樣本Pn。

3 ) 對Pn進行複製操作，其中親和越大，複製的個數越多。產生臨時抗體集C.

4 ) 對C進行變異操作，其中親和度越大，變異率越小。產生抗體集C*.

5 ) 重新選擇C*中親和度最大的子集，補充到記憶細胞自己中；並用C*中其他改進型個體替換P中的一些個體。

6）隨機產生d個新抗體，替換P中親和度最低的抗體，增加抗體的多樣性。

特點：

多樣性：通過新舊抗體的替代，增加了種群的多樣性。

最佳化：高親和度抗體被保留，使得對抗原的識別更加有效。

局部搜尋能力:突變的存在使得抗體可以在局部範圍內發生變化提高了識別能力。

淘汰性：低親和度抗體被淘汰，使得對免疫系統識別能力不斷增強。

學習記憶性：第一階段結束後，原高親和度抗體被保留，使得在第二階段可以快速響應識別抗原。

1. 粒子群演算法

演算法思想：通過群體間個體的相互協作和資訊共用來尋找最優解。

基本步驟：

1）  初始化粒子群，包括粒子的數量，位置和速度。

2）  計算每個粒子的適應度，選擇該粒子最好的位置和適應度。選擇該種群最好適應度粒子的位置作為該種群最好的位置。

3）  根據粒子的速度和位置更新粒子的速度和位置。

4）  計算更新後粒子的適應度，如果這個適應度更好，則更改該粒子的位置為此時的新位置。

5）  將每個粒子的適應度與全域所有所有粒子的適應度進行比較，如果較好則更新種群最好位置。

6）  判斷此時是否滿足演算法結束條件，如果否則繼續迭代之前步驟。

1. 免疫粒子群演算法在神經網路上的應用

說明：免疫粒子群是指上面演算法的結合體。

演算法思想：通過複製的方法實現個體的高親和度和群體的多樣性。通過粒子群演算法提高演算法的收斂速度。提高最佳化的效能和品質。

基本步驟：

步驟1：確定目標函數，。

其中：yi表示建模資料實際輸出。F(xi)表示模型預測輸出。

 步驟2：利用目標函數，通過設定不同的神經網路參數，包括隱含層節點數，權值等。從而產生不同的f(xi),得到多個Ji，此處Ji表示為抗體。另：這些初始情況下的抗體就是粒子群中的粒子。

           粒子屬性更新：

          。

其中：w為慣性權值，它使粒子保持運動慣性。使其具有拓展搜尋空間的趨勢，加快收斂進程。Vi為粒子速度，vi屬於[-Vmax,Vmax]，較大的保證群體的全域搜尋能力，較小則群體的局部搜尋能力加強；c1,c2為正實數，稱為加速度常數。r1,r2為[0，1]之間隨意變化的隨機數。Pi為目前粒子所處的最好位置，pg為粒子群目前的最好位置。

步驟3：更新後的粒子群，收斂速度快，但是易陷入局部最優。通過識別親和力對粒子群進行增殖和淘汰。這裡親和力是指抗體與抗原的匹配程度。親和力計算公式：
           ，其中t大於0，為常數。

步驟4：高變異複製：對個體進行變異，複製高親和力的抗體個體，同時淘汰親和力低的個體，實現抗體庫中的個體高度親和力和群體多樣性，防止局部收斂。再從新的抗體群中優選出親和力高的個體，產生針對多目標最佳化的候選解。

變異公式：。

其中：其中δθξαβ為演算法因子常數αδ用以控制變異程度β為正常數ξ為足夠小的正數用以防止除數為；可以取適當的數；r為服從均值為、方差為的高斯分布的隨機數；

步驟5：進行全域搜尋，選出親和力最高的抗體為最優個體。

步驟6：判斷演算法是否結束。

 

人工免疫相關演算法