1、几种智能计算方法的研究及应用进展本文对几种常用的智能计算方法（遗传算法、粒子群优化算法、蚁群优化与免疫算法）的理论、特点进行了归纳总结，并对四种智能计算方法的应用范围和前景进行了概括和探讨。1、遗传算法1.1 概述遗传算法 1是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的自适应概率性随机化迭代搜索算法。1962 年霍兰德(Holland)教授首次提出了 GA 算法的思想，它的基本思想是基于 Darwin 进化论和 Mendel 的遗传演说。Darwin 进化论最重要的是适者生存的原理，它认为每一代种群总是向着前进方向发展，越来越适应环境。每一个个体都有继承前代的特性，但不是
2、完全继承，会产生一些新特性。最终只有适应环境的特征才能被保留下来。Mendel 遗传学说最重要的是基因遗传原理，它认为遗传以密码方式存在细胞中，并以基因形式包含在染色体内。一条染色体中存在很多基因，每个基因有自己的位置并控制着外部特征；基因的产生和变异直接影响到个体的特性是否能适应环境。经过存优去劣的自然淘汰，适应性高的基因结构得以保存下来。遗传算法正是借用了仿真生物遗传学和自然选择机理，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性的提高。与自然界相似，遗传算法对求解问题的本身一无所知，从代表问题可能潜在解集的一个种群(population)开始，每一个种群则由经过基因(gene)
3、 编码(coding) 的一定数目的个体 (individual)构成。每个个体实际上是染色体(chromosome)带有特征的实体。把问题的解表示成染色体，并基于适应值来选择染色体，遗传算法所需要的仅是对算法所产生的每个染色体进行评价，使适应性好的染色体有更多的繁殖机会。在算法中也就是以二进制编码的串。并且，在执行遗传算法之前，给出一群染色体，也就是假设解。然后，把这些假设解置于问题的“环境”中，也即在一个适应度函数中来评价。并按适者生存的原则，从中选择出较适应环境的染色体进行复制，淘汰低适应度的个体，再通过交叉，变异过程产生更适应环境的新一代染色体群。对这个新种群进行下一轮进化，直到最适合
4、环境的值。1.2 遗传算法的基本原理和特点1.2.1 算法原理 在遗传算法中，通过随机方式产生若干个所求解问题的数字编码，即染色体，形成初始种群；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗传操作后的个体集合形成下一代新的种群，再对这个新种群进行下一轮进化，这就是遗传算法的基本原理。遗传算法的主要步骤如下：1)随机产生一个由确定长度的特征串组成的初始群体；2)对串群体迭代地执行步骤(1)和(2) ，直到满足停止准则：(1)计算群体中每个个体的适应值。(2)应用复制、杂交和变异算子产生下一代群体。3)把在任一代中出现的最好的个体串指定为遗传算法
5、的执行结果。这个结果可以表示问题的一个解(或近似解)。基本遗传算法的流程图如图 1-1，其中 GEN 是当前代数， M 为每代种群中最大个体数。图 1-1 基本遗传算法的流程图1.2.2 算法特点遗传算法的特点如下：1) 遗传算法中不包含待解决问题所持有的形态。它是从改变基因的配置来实现问题的整体优化的，因而属于自下而上的优化方法；2) 类似于生物的进化过程，遗传算法处理的是变量集合的编码而非变量本身。它直接对结构对象进行操作，不存在求导和函数连续性的限定；3) 遗传算法具有内在的隐并行性和更好的全局寻优能力；4) 遗传算法采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索
6、方向，不需要确定的规则。遗传算法的这些特点已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术之一。1.3 遗传算法的应用进入 90 年代后，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于很多学科。如工程结构优化、计算数学、制造系统、航空航天、交通、计算
7、机科学、通信、电子学、材料科学等。1)GA 在数值优化上的应用最优化问题是遗传算法经典应用领域，但采用常规方法对于大规模、多峰态函数、含离散变量等问题的有效解决往往存在许多障碍。对全局变化问题，目前存在确定性和非确定性两类方法。前者以 Brianin 的下降轨线法、Levy 的隧道法和 R.Ge 的填充函数为代表。该类方法虽然收敛快、计算效率高，但算法复杂，求得全局极值的概率不大。遗传算法作为现代最优化的手段，实践证明，它应用于大规模、多峰多态函数、含离散变量等情况下的全局优化问题是合适的，在求解速度和质量上远远超过常规方法。2)GA 在组合优化中的应用组合优化(combinational o
8、ptimization)是遗传算法最大基本的也是最重要的研究和应用领域之一。所谓组合优化是指在离散的、有限的数学结构上，寻找一个满足给定约束条件并使其目标函数值达到最大或最小的解。一般来说，组合优化问题通常带有大量的局部极值点，往往是不可微的、不连续的、多维的、有约束条件的、高度非线性的 NP 完全问题，因此精确地求出组合优化问题的全局最优解一般是不可能的。遗传算法作为一种新型的、模拟生物进化过程的随机化搜索、优化方法，近十几年来在组合优化领域得到了相当广泛的研究和应用，并已在解决诸多典型组合优化问题中显示了良好的性能和效果，例如，求解背包问题，作业调度问题等。3)遗传算法在机器学习中的应用机
9、器学习系统实际上是对人的学习机制的一种抽象和模拟，是一种理想的学习模型。基于符号学习的机器学习系统如监督型学习系统、条件反射学习系统、类比式学习系统、推理学习系统等，只具备一些较初级的学习能力。近年来，由于遗传算法的发展，基于进化机制遗传学习成为一种新的机器学习方法，它将知识表达为另一种符号形式 遗传基因型，通过模拟生物的进化过程，实现专门领域知识的合理增长型学习。4)遗传算法在并行处理中的应用遗传算法固有的并行性和大规模并行机的快速发展，促使许多研究者开始研究遗传算法的并行化问题，研究数量更加接近自然界的软件群体将成为可能。遗传算法与并行计算的结合，能把并行机的高速性和遗传算法固有的并行性两
10、者的长处彼此结合起来，从而也促进了并行遗传算法的研究与发展。5)遗传算法在人工生命中的应用人工生命是用人工的方法模拟自然生命的特有行为，而基于遗传算法进化模型是研究人工生命的主要基础理论之一，因此二者有着密切的关系。遗传算法、遗传编程和进化计算等是人工生命系统开发的有效工具。一般而言，遗传操作过程和进化计算机制非常适合于描述人工生命系统。6)遗传算法在图解处理、模式识别中的应用图像处理和模式识别是计算机视觉中的一个重要研究领域，在图像处理过程中，如扫描、特征提取、图像侵害等不可避免地会产生一些误差，这些误差会影响到图像处理和识别的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求。遗传
11、算法在图像处理中的优化计算方面是完全能胜任的，目前已在图像校准、图像侵害、几何形状识别、图像压缩、三维重建优化以及图像检索等方面得到了应用。7)遗传算法在生产调度问题中的应用生产调度问题在许多情况下所建立起来的数学模型难以精确求解，即使经过一些简化之后可以进行求解，也会因简化太多而使得求解结果与实际相差甚远。因此，目前在现实生产中也主要靠一些经验进行调度。遗传算法已成为解决复杂调度问题的有效工具，在单件生产车间调度、流水线车间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。8)遗传算法在计算智能中的地位计算智能系统是在神经网络、模糊系统、进化计算三个分支发展相对成熟的基础上，通过相互
12、之间的有机融合而形成的新的科学方法，也是智能理论和技术发展的崭新阶段。这些不同的成员方法从表面上看各不相同，但实际上它们是紧密相关、互为补充和促进的。近年来的研究发现：神经网络反映大脑思维的高层次结构；模糊系统模仿低层次的大脑结构；进化系统则与一个生物体种群的进化过程有着许多相似的特征。这些研究方法各自可以在某些特定方面起到特殊的作用，但是也存在一些固有的局限。因此，将这些智能方法有机地融合起来进行研究，就能为建立一种统一的智能系统设计和优化方法提供基础。基于这种考虑，将三者结合起来研究已经成为了一种发展趋势。1994 年起，IEEE 的神经网络、模糊系统、进化计算三大会议合在一起召开，就反映
13、了这种趋势，计算智能作为人工智能新发展的主流地位就从此确定了。2、粒子群优化算法2.1 概述粒子群优化算法（Particle Swarm Optimization，PSO）是一种新型的仿生算法，由Kennedy 和 Eberhart 于 1995 年提出 2，3 。该算法是基于群体智能（ Swarm Intelligence，SI）的优化算法，其功能与遗传算法（Genetic Algorithm，GA）非常相似 4。PSO 优化算法因其需要调节的参数少，具有简单且易于实现的优点，因此越来越多地被应用于函数优化、神经网络训练、模式分类以及其他领域 5。但是，其数学基础不完善，实现技术不规范，在适
14、应度函数选取、参数设置、收敛理论等方面还存在许多需要深入研究的问题。本文主要是介绍 PSO 算法原理和特点，并在此基础上提出一种改进的 PSO 算法，并用测试函数对其进行验证。2.2 粒子群算法的基本原理和特点2.2.1 算法原理 粒子群优化算法的基本概念是源于对鸟群捕食行为的模仿研究，人们从鸟群捕食过程当中得到启示，并用于解决优化问题。在 PSO 算法中，每个优化问题的解都是搜索空间中一个粒子。所有的粒子都有一个由被优化的函数决定的适应度值，每个粒子还有一个速度（v）决定它们飞行的方向和距离。PSO 初始化为一群随机粒子，然后粒子根据当前的最优粒子在解空间中搜索最优解。在每一次迭代中，粒子都
15、是通过跟踪两个“极值” 来更新自己，一个就是粒子自身找到的最优解，称个体极值（pbest） ；另一个极值是整个群体找到的最优解，称全局极值（gbest） 。如果粒子的群体规模为 M，目标搜索空间为 D 维，则第 i（i=1，2， ，M）个粒子的位置可表示为 Xi，它所经过的“最好” 位置记为 pi，速度用Vi 表示，群体中“最好”粒子的位置记为 pg 表示，那么粒子 i 将根据下面的公式来更新自己的速度和位置： 112id idk kkidii gkiidiVcrpXcrpXX其中，d=1，2，D，c 1，c 2 为大于零的学习因子或称作加速系数； r1 和 r2 是0 ，1上的随机数；粒子在
16、解空间内不断跟踪个体极值与全局极值进行搜索，直到达到规定的迭代次数或满足规定的误差标准为止。粒子在每一维飞行的速度不能超过算法设定的最大速度 vmax。设置较大的 vmax 可以保证粒子种群的全局搜索能力，v max 较小则粒子种群的局部搜索能力加强。2.2.2 算法特点虽然 PSO 的功能与遗传算法极其类似，但存在如下显著的优点：无交叉和变异运算，仅依靠粒子速度完成搜索空间；有记忆性，每个粒子和群体的历史最优位置可以记忆并传递给其他粒子，而且需要调整的参数少，结构简单，易于实现；跟遗传算法采用的二进制编码不同，PSO 采用实数编码，直接由问题的解决定，问题解的变量数作为粒子的维数；收敛速度快
17、，在迭代过程中只有最优的粒子把信息传递给其他粒子，属于单向的信息流动，整个搜索更新过程是跟随当前最优解的寻优迭代过程。与进化算法比较，PSO 保留了基于种群的全局搜索策略，但是其采用的“速度 位移”模型操作简单，避免了复杂的遗传操作。其特有的记忆使其可以动态跟踪当前的搜索情况调整其搜索策略。与进化算法比较，粒子群优化算法是一种更高效的并行搜索算法 6。2.3 粒子群算法的应用1) 函数优化许多实际的工程问题本质上是函数优化问题，或者可以转化为函数优化问题进行求解，对于函数优化已经有一些成熟的解决方法如遗传算法。但是对于超高维、多局部极值的复杂函数而言，遗传算法往往在优化的收敛速度和精度上难以达
18、到期望的要求。Angeline 经过大量的实验研究发现，粒子群优化算法在解决一些典型的函数优化问题时，能够取得比遗传算法更好的优化结果 7。Shi 与 Eberhart 的实验证明，对大多数的非线性标准测试函数，PSO 在收敛速度和解的精度上均较遗传算法有一定的改善 8。2) 神经网络训练神经网络的训练问题属于超高维的优化问题。常用的反向传播(BP)算法难以克服局部最优问题，而遗传算法由于其复杂的进化操作，优化速度缓慢。研究表明，PSO 是一种很有潜力的神经网络训练算法，PSO 搜索速度较快而且可以得到比较好的优化结果，克服了上述两种算法的缺点 9。在实际应用问题 (如运用 PSO 算法训练神
19、经网络进行医疗诊断 )取得了较高的成功率，目前正在将其推广到更多的应用领域。3) 模糊系统控制模糊控制以模糊集理论作为其理论基础，由 Zadeh 教授于 1965 年提出，已经在很多实际领域取得成功应用。其中基于模糊系统控制的全自动洗衣机已经进入实用阶段。模糊规则自动生成是模糊控制领域的关键性技术之一。同样，模糊规则的设定也是模糊控制器开发的核心。对于多输入或多模糊度的控制对象，模糊规则的生成已经证明是 NP-hard 问题。因此，研究模糊规则的自动生成具有重要的研究和应用价值。利用 PSO 算法优化模糊控制系统，设计模糊控制器的研究尚处于起步阶段。目前，学者致力于研究模糊神经网络系统自动提取
20、模糊规则，并在一些典型的问题上取得进展，这对于将自动生成模糊规则的模糊控制器在应用领域的推广有很大启示。4) 粒子群优化算法的工程应用概述粒子群优化算法在一些实际应用领域也有很好的进展。首先，日本的 Fuji 电力公司的研究人员将电力企业著名的 RPVC(Reactive Power and Voltage Control)问题简化为函数优化问题，并使用改进的 PSO 算法进行优化求解。与传统方法如专家系统、敏感性分析相比，实验产生的结果证明了 PSO 算法在解决该问题的优势。其次，将 PSO 算法与 BP 算法相结合训练神经网络已用于对电动汽车燃料电池组实时充电情况的模拟。对电动汽车燃料电池
21、带电状况的模拟是电动汽车以及混合动力汽车技术发展过程中的重大课题。实验证明相对于 1996 年 Eberhart，Simpson 和 Dobbins 的模拟方法，上述方法的模拟精确程度明显提高。此外，PSO 算法已被美国一家公司用于各种生物化学成分的优化组合，进而人工合成微生物。与传统的工业优化方法比较，PSO 产生合成结果的适应度是传统方法的两倍。实验的优化过程充分显示了 PSO 算法的优越性：尽管一种劣质成分在一定的迭代次数内能够影响优化搜索的进程，但是 PSO 最后总能得到比较理想的合成结果。这是因为 PSO 本质而言能够搜索到更大范围内的优化问题的解空间。总的来说，粒子群优化算法与其他
22、进化算法一样，可以解决几乎所有的优化问题，或者是可以转化为优化问题进行求解的问题。其中最具应用前景的领域包括多目标问题的优化、系统设计、分类、模式识别、生物系统建模、规划、信号处理、决策和模拟等等。目前，在模糊控制器的设计、图像分割、EEG 信号模拟、语音识别、烧伤诊断以及探测移动目标等方面已经有成功应用的先例。3、蚁群算法3.1 概述蚁群算法是一种新型的模拟自然界蚁群行为的进化算法，由意大利学者 Dorigo M 等 10人于 20 世纪 90 年代初首先提出。该算法采用了分布式并行计算机制，易于与其他优化算法相结合，而且具有鲁棒性较强、正反馈等许多优点，具有无中心控制和分布式个体之间间接通
23、信的特征，被广泛的应用于求解复杂的优化问题。3.2 蚁群算法的基本原理和特点3.2.1 算法原理 蚂蚁个体之间是通过一种称为信息素的物质进行信息传递，在运动过程中，能够在路径上留下一定量的信息素，并以此来指导自己的运动方向。蚂蚁都倾向于朝信息素浓度高的方向移动。因此由大量蚂蚁组成的蚁群的集体行为就表现出一种正反馈现象：某路径上走过的蚂蚁越多，后者选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息交流来觅食的。下面以具有代表性的 TSP 问题为例介绍其基本算法。 TSP 问题可以描述如下：设 C=c1，c 2，c n为 n 个城市的集合，L=l ij|ci，c jC是 C 中元素两两连接的集合
24、，G=（C， L）是一个图，各个城市之间的距离是已知的，TSP 问题的求解目标是从G 中找出长度最短的 Hamiltonian 回路，也就是寻找一条遍历所有 n 个城市有且仅有一次最后返回到出发城市的最短路径。设 bi（t）表示 t 时刻位于元素 i 的蚂蚁数， ij（t）为 t 时刻路径（ i，j）上的信息量，n 表示 TSP 的规模，m 为蚁群中蚂蚁的数目，则 ； 是1nimb,ijitcCt 时刻集合 C 中元素两两连线 上残留信息量的集合。每只简单的蚂蚁有以下特征：ijl（1）根据以城市距离和连接边上信息素的数量为变量的概率函数选择下一个城市；（2）完成一次循环后，蚂蚁在其访问过的每条
25、边上留下一定量的信息素；（3）规定蚂蚁走合法的路线，在完成一次循环之前，不允许蚂蚁选择已访问过的城市，由禁忌表来控制该过程。设 tabuk 表示第 k 只蚂蚁的禁忌表，在蚂蚁 k 经过城市 i 后，就将 i 加入到禁忌表 tabuk 中，表示下次不能选择城市 i。 tabuk（s）表示禁忌表中第 s 个元素。算法初始时刻，把 m 只蚂蚁随即放到 n 个城市，将每只蚂蚁当前所在的城市加入到其禁忌表中，此时，各条路径上的信息素量相等，并设 ij（0 ）=C（C 为一较小常数） 。在搜索过程中，蚂蚁 k 根据各条路径上的信息素量及路径的启发式信息来决定转移方向，此种状态转移规则称为随机比例规则。一些
26、学者对蚁群算法进行了改进，改进主要是从局部搜索策略、蚂蚁内部状态、信息素更新策略及选择策略四个方面进行，都取得了较好的效果。如自适应蚁群算法、基于信息素扩散的蚁群算法、多态蚁群算法、基于信息熵的改进蚁群算法、基于网格划分策略的连续域蚁群算法、基于交叉变异操作的连续域蚁群算法等。蚁群算法还能与其他优化算法相融合，从而相互取长补短，改善算法的性能。目前这方面的研究有蚁群算法与遗传算法、人工神经网络、粒子群算法及人工免疫算法等算法之间的融合。这些融合了的算法在解决某些特定问题时，表现出了比较优异的性能，因此，设计新的融合策略结合其他优化算法进一步改善蚁群算法的性能是非常有意义的研究方向。3.2.2
27、算法特点蚁群算法自 20 世纪 90 年代出问世以来，其理论和应用都有了很大的进步，从最初求解 TSP 问题开始，逐渐发展为一个优化工具，并成功地应用到科学和工程中的多个领域。蚁群算法具有分布式计算、无中心控制、个体之间异步间接通信等特点，并且易于与其他优化算法相结合。同时其也存在一些缺点：问题规模大时，其搜索时间长；易出现停滞现象；易陷于局部最优；在数学上缺少严格的理论基础及正确性和可靠性的有效证明。因此，蚁群算法还有很大尚待解决的问题，其应用也有待进一步挖掘。蚁群算法仍有很多方面值得深入研究：（1）目前大部分改进蚁群算法的普适性不强，同时其模型也不能直接应用于实际优化问题。因此，对通用的蚁
28、群算法普适性模型的研究值得深入下去。（2）同其他几种仿生优化算法相比较，蚁群算法没有坚实的数学基础。（3）蚁群算法与其他算法之间的比较研究还处于起步阶段，与其他算法之间融合机制和策略仍有待进一步的探讨。（4）仿生硬件是并行计算环境下的产物，蚁群算法的硬件实现是仿生硬件研究领域中的一个新分支，还存在许多问题需要解决。（5）目前蚁群算法的应用领域大多是静态组合优化问题，如何使其应用于动态组合优化问题和连续优化问题也是一个研究方向。3.3 蚁群算法的应用蚁群算法最初被应用到经典的组合优化问题，随着研究的深入，应用范围扩大到更多的组合优化问题，如在作业调度、网络路由、电力系统、生命科学、空战决策、聚类
29、分析等领域都得到了广泛的应用，体现了蚁群算法的实用性和通用性。以下是几个蚁群算法应用的例子。1） 网络路由问题将蚁群算法应用于解决受限路由问题，目前可以解决包括带宽、延时、丢包率和最小花费等约束条件在内的 QoS 组播路由问题，比现有的链路状态路由算法有明显的优越性。2） 电力系统领域电力系统的许多优化问题本质上是属于组合优化问题。Gomez 等 11将蚁群算法应用于配电网络的规划。王林川等 12将一种改进蚁群算法应用于配电网故障的定位。王海燕等13将蚁群算法应用于电力系统暂态稳定评估特征选择，减少了特征维数，提高了分类正确率。电力系统的这些组合优化问题的有效解决将为电力企业节省大量的资金，因
30、此在电力系统的应用具有很大的实际价值。3） 航迹规划问题航迹规划是指在特定的约束条件下，寻找运动体从初始点到目标点满足某种性能指标最优的运动轨迹。在空防技术日益先进、防空体系日益完善的现代战争中，航迹规划是提高飞行器作战效能、实施远程精确打击的有效手段。因此对航迹规划方法的研究将有重要的现实意义。田伟等 14提出了一种改进蚁群算法用于无人作战飞机的航路寻优过程，提高了无人作战飞机的航路寻优能力。孟祥恒等 15将蚁群算法用于多无人机航迹规划。曹晋等16提出了一种基于蚁群算法的最小代价航迹规划方法，解决了航迹维数解算问题，为飞行器提供最优航迹规划路径。总之，蚁群算法是一种很有前途的一种算法，也是一
31、个很值得研究的领域。随着对其研究的不断深入，其应用也将更加广泛，其理论将更加成熟。4、免疫算法4.1 概述免疫算法是模仿生物免疫原理和基因进化机制，通过人工方式构造的一类优化搜索算法，是对生物免疫过程的一种数学仿真，是免疫计算的一种最重要形式。人工免疫算法为完成各种特定任务，从不同的角度对免疫机制进行模拟，形成了不同的算法思想和结构，比如否定选择算法、基于疫苗的免疫算法等。在进化过程中，免疫算法将与抗原的亲和性高的抗体加入到记忆单元中，所以记忆单元中用新加入的抗体取代与其亲和性最高的原有抗体，某些与抗原有较高亲和性的相同抗体也必须受到抑制，即与抗原亲和性高的抗体和低密度的抗体生存机率较大。4.
32、2 免疫算法的基本原理和特点4.2.1 算法原理 免疫算法由以下 7 个主要步骤组成。步骤 1：抗原识别输入目标函数和各种约束作为免疫算法的抗原。步骤 2：产生初始抗体在解空间中用随机方法产生抗体。步骤 3：计算亲和性分别计算抗原和抗体 V 之间的亲和性 Av 及抗体 V 和抗体 W 之间的亲和性 Av,w。步骤 4：记忆单元更新将与抗原亲和性高的抗体加入到记忆单元，并用新加入的抗体取代与其亲和性最高的原有抗体。步骤 5：促进和抑制抗体的产生计算抗体 i 的期望值 Exi，期望值低的抗体将受到抑制。XiiEAC式中，Ci 是抗体 i 的密度（即数目） 。由上式可知，与抗原亲和性高的抗体和低密度
33、的抗体生存机率较大。由于高亲和性的抗体得到促进而高密度的抗体受到抑制，体现了免疫控制的多样性。步骤 6：产生抗体通过变异和交叉，产生进入下一代的抗体。重复执行步骤 3 至步骤 6，直到收敛判据满足为止。步骤 7：终止条件终止条件满足后，优化过程结束。应用免疫算法求解实际问题时，常将抗原、抗体、抗原和抗体间的亲和性分别对应于优化问题的目标函数、优化解、解与目标函数的匹配程度。4.2.2 算法特点综上可知，免疫算法有以下优点：1) 保存了多样性。免疫算法的步骤 5 实现了对抗体的促进和抑制、自我调节能力，步骤 6 通过变异和交叉产生新的抗体，体现了生物的多样性。所以免疫算法能够获得许多优化问题的最
34、优解。2) 记忆训练。对于曾出现过的抗原，免疫算法产生相应抗体的速度比以前更快，故能够很快收敛到最优解。遗传算法(GA)和免疫算法(IA)，都是模仿自然进化过程的优化模型，但在记忆训练、抗体产生方面，两者有本质区别。正是由于这些优点，免疫算法在求解 TSP 问题、函数优化、机器学习等方面有较大优势。4.2.3 免疫算法与其他算法的比较基于体细胞理论和网络理论的免疫算法，已表现出相当好的性能。但是，其研究仍处于萌芽状态，不管是理论还是应用都尚未成熟。由于免疫算法与遗传算法有着密切的联系，其部分理论和应用成果可以借鉴，这将大力促进免疫算法的研究。表 4-1 给出免疫算法与其他一些常见算法的研究概况
35、。表 4-1 常见随机搜索算法的研究概况方法 模拟退火神经网络遗传算法免疫算法理论 应用、实验 软件包 复杂性 收敛性 说明: 表示已有成熟结果; 表示已相当一部分结果;表示已仅有少量结果; 表示未开发。免疫算法与其它随机搜索优化算法一样，都是从搜索解空间的一系列点(种群) 出发，处理的对象是表示待求解参数的染色体串，而不是参数本身，它不需其导数或其它附加信息。由免疫算法的计算步骤可以看出，它与其他随机算法之间又有显著的区别：1) 它在记忆单元基础上运行，确保了快速收敛于全局最优解；2) 它有计算亲和性的程序，反映了真实的免疫系统的多样性；3) 它通过促进或抑制抗体的产生，体现了免疫反应的自我
36、调节功能。4.3 免疫算法的应用近年来，各种人工免疫模型和算法已应用于许多工程领域中的复杂问题，这些问题通常是传统理论和方法无法解决的。1自动控制现代自动控制理论研究中一个重要的领域就是设计控制系统的鲁棒性。生物免疫系统具有的天然鲁棒性，使许多学者开始研究基于免疫的控制方法，为现代控制工程的发展提供了新的方向。主要的研究方向有 Bersini17为代表的自适应控制、Ootsuki 18为代表的顺序控制、以及 Ishiguro19的机器人行为控制。2数据挖掘在人工智能的研究中，知识的自动获取是一个关键，数据挖掘技术是解决这一关键的主要方案。数据挖掘旨在从大量的数据中寻找隐含的层次的信息，是一个从
37、系统内部自动获取知识的过程，免疫系统强大的信息处理能力也可用于数据挖掘。3计算机安全与计算机系统遇到的各种病毒、非法入侵等计算机安全问题与生物免疫系统遇到的问题十分相似。因此可以借鉴生物免疫系统的“自己” 、 “非己”识别方式来解决计算机安全问题。在计算机入侵检测和病毒检测方面开创性的研究是 Forrest 的否定选择算法。随后Kim20等人提出了一种结合多种免疫机制的基于人工免疫多代理入侵检测模型。4故障监测和诊断D Dasgupta 等 21将人工免疫系统用于工业中，进行加工工具破损监测。刘树林等 22受生物免疫系统自己一非己识别过程的启发提出了反面选择算法，在故障诊断应用领域中改进了反面
38、选择算法，提出了对旋转机械在线故障诊断的新方法杜海峰等 23还将 ART-人工免疫网络用于解决多级往复式压缩机故障诊断，效果良好。5图像处理D F McCoy(1997)等 24将人工免疫系统用于图象分割，王肇捷 25等为了得到最佳视差图，将免疫算法用于解决计算机视觉中的立体匹配；与基于像素点灰度匹配相比，免疫算法的匹配效果好；与模拟退火匹配相比，虽然都能得到全局最优的视差图，但免疫算法的匹配速度快 26。6智能优化许多的工程问题都能抽象成优化问题。作为一种智能优化搜索策略，人工免疫算法在函数优化、组合优化、调度问题等许多方面都得到了应用并取得了很好的效果。抗体对抗原的识别和随后的进化过程实质
39、上是一种生物搜索和优化过程，通过借鉴免疫系统高效的多样化抗体产生和保持机制可以建立高效的搜索和优化算法。在优化问题求解中，各种基于免疫原理的人工免疫算法展示了良好的性能，通常情况下，免疫算法都取得了比传统的启发式算法更好的求解结果，尤其在求解的效率方面，显示出人工免疫系统在智能优化领域具有广阔的应用前景 27。除了上述几个方面的应用，人工免疫算法在模式识别、联想记忆、机器学习、智能建筑等诸多领域也都有相应的应用。由于人工免疫算法独具的分布式、自适应、自组织系统特性以及其在解决实际问题尤其是复杂问题时所体现出来的鲁棒性和高效性，使之成为一个具有较强实用价值的研究方向。参考文献：1刘勇. 非数值并
40、行算法( 第二册) 遗传算法M. 北京:科学出版社,2003.1 6.2SHI Yu-hui，EBERHART R.Parameter selection in particle swarm optimizationA.Evolutionary Programming VII：Proceedings of El98cNew York：Springer-Verlag， 1998.591-600.3SHI Yu-hui，EBERHART R.Empirical study of particle swarm optimizationA.Proceedings of the IEEE Congres
41、s on Evolutionary Computation （CEC 1999）C.New Jersey： IEEE Press，1999.1945-1950.4Goldberg D.Genetic algorithms in search，optimization，and machine learningA.Boston：Addison-Wesley ， 1989.5EBERHART R，SHI Yu-hui.Particle swarm optimization：devel-opments，applications and resourcesA.Proceeding Congress on
42、 Evolutionary ComputationC.Seoul：IEEE Press，2001.81-86.6 Eberhart RC, Shi YH. Comparison between genetic algorithms and particle swarm optimization. Proceedings of Annual Conference on Evolutionary Programming, San Diego, 19987 Angeline PJ. Evolutionary optimization versus particle swarm optimizatio
43、n: philosophy and performance difference. Proceedings of Annual Conference on Evolutionary Programming, San Diego, 19988 Shi YH, Eberhart RC. Experimental study of particle swarm optimization. Proceedingsof SCI Conference, Orlando, FL, 20009 Eberhart RC, Shi YH. Evolving artificial neural networks.
44、Proceedings of International Conference on Neural networks and Brain, Beijing, 199810 Colorni A,Dorigo M,Maniezzo V,etal. Distributed optimization by ant colonies. Proceedings of the 1st European Confon Artificial Life C. Paris，1991.11 Gomez J F,KhodrH M, PM De Oliveira, etal. Ant colony system algo
45、rithm for the planning of primary distribution circuitsJ. IEEE Transactions on Power Systems，2004，19(2): 996-1004.12 王林川,李庆鑫,刘新全, 张伟,潘文明. 基于改进蚁群算法的配电网故障定位 J. 电力系统保护与控制，2008，36(22):29-33,53.13 王海燕,刘天琪,李兴源,陈烨. 基于蚁群优化算法的电力系统暂态稳定评估特征选择J. 电力系统保护与控制，2008，36(21):1-6.14 田伟,张安 . 改进蚁群算法的无人机航路规划J. 火力与指挥控制，2008
46、，33(11):69-72.15 孟祥恒,王社伟,陶军. 基于改进蚁群算法的多无人机航路规划研究J. 计算机仿真，2008，25(11):56-59.16 曹晋,陈红林,戴峤笠. 基于蚁群算法的最小代价航迹规划仿真J. 计算机辅助工程，2008，17(4):77-80.17 Bersini H, Uarela F J. Hints for Adaptive Problem Solving Gleaned from Immune Networks. In: Proc the First Workshop on Parallel Problem Solving from Nature. Dortm
47、und, Germany, 1990, 343-35418 Ootsuki J T, Sekiguchi T. Application of the immune system network concept to sequential control. In: Proc of the IEEE System, Man, and Cybernetics (SMC99). Piscataway, USA: 1999, (3):869-87419 Ishiguro A, Ichikawa S, Shibat T, Uchikawa Y. Modernationism in the immune s
48、ystem: Gait acquisition of a legged robot using the metadynamics function. In: Proceedings of IEEE International Conference on Systems and Man and Cybernetics(SMC). San Diego, USA, 1998, 3827-382320 Kim J, Bentley P. Towards an artificial immune system for network intrusion detection: An investigati
49、on of clonal selection with a negative selection operator. In: Proc Congress on Evolutionary Computation. Seoul, Korea, 2001, 27-3021 D Dasgupta, S Forrest. Artificial immune systems in industrial applications. In: Proceedings of the Second International Conference on Intelligent Processing and Manufacturing of Materials, Honolulu, USA, 1999, 1:257-26722 刘树林，张嘉钟，王日新等. 基于免疫系统的旋转机械在线故障
