課程設(shè)計(jì)老師修改的格式

1、課程設(shè)計(jì)報(bào)告設(shè)計(jì)題目： 人工免疫系統(tǒng)最新進(jìn)展學(xué)院：電子工程學(xué)院專業(yè)：電子信息工程For pers onal use only in study and research; notfor commercial use班 級(jí)：020712學(xué) 號(hào)：0姓 名：馬國榮For pers onal use only in study and research; not for commercial use電子郵件：日 期:2010年12 月成 績(jī)：For pers onal use only in study and research; notfor commercial use指導(dǎo)教師：馬文萍For pe

2、rsjML"For personal use only in study and research; not for commercialuse西 安電子科技大學(xué)電子工程學(xué)院課程設(shè)計(jì)任務(wù)書家庭局域網(wǎng)的最新發(fā)展動(dòng)向?qū)W生姓名馬國榮指導(dǎo)教師馬文萍 職稱副教授學(xué)生學(xué)號(hào)0 專業(yè)題目家庭局域網(wǎng)的最新發(fā)展動(dòng)向任務(wù)與要求：評(píng)述人工免疫系統(tǒng)的歷史、研究現(xiàn)狀。著重論述人工免疫系統(tǒng)的機(jī)理、算法和應(yīng)用，總結(jié)免疫算法的一般步驟。開始日期2010年12月19日完成日期2010年12月22日課程設(shè)計(jì)所在單位智能所本表格由電子工程學(xué)院網(wǎng)絡(luò)信息中心 編輯錄入.cn.人工免疫系統(tǒng)的最新進(jìn)展概述：人工免疫系統(tǒng)(AIS:

3、Artificial Immune System)是根據(jù)免疫系統(tǒng)的機(jī)理、特征、 原理開發(fā)的并能解決工程問題的計(jì)算或信息系統(tǒng)。AIS在不同的工程問題有不同的映射和定義，根據(jù)莫宏偉人工免疫系統(tǒng)原理與應(yīng)用的定義，所謂 AIS就 是借鑒和利用生物免疫系統(tǒng)(主要是人類的免疫系統(tǒng))的各種原理和機(jī)制而發(fā)展 的各類信息處理技術(shù)、計(jì)算技術(shù)及其在工程和科學(xué)中應(yīng)用而產(chǎn)生的各種智能系統(tǒng) 的統(tǒng)稱。自然免疫系統(tǒng)是一種復(fù)雜的分布式信息處理學(xué)習(xí)系統(tǒng)，具有免疫防護(hù)、 免疫耐受、免疫記憶、免疫監(jiān)視功能，且有較強(qiáng)的自適應(yīng)性、多樣性、學(xué)習(xí)、識(shí) 別和記憶等特點(diǎn)，其特點(diǎn)及機(jī)理所包含的豐富思想為工程問題的解決提供了新的 契機(jī)，引起了國內(nèi)外

4、研究人員的廣泛興趣，它的應(yīng)用領(lǐng)域也逐漸擴(kuò)展到模式識(shí)別、 智能優(yōu)化、數(shù)據(jù)挖掘、機(jī)器人學(xué)、自動(dòng)控制和故障診斷等諸多領(lǐng)域。AIS是繼進(jìn)化算法、模糊系統(tǒng)及神經(jīng)網(wǎng)絡(luò)之后又一研究熱點(diǎn)。人工免疫系統(tǒng)的歷史：1974年，諾貝爾獎(jiǎng)獲得者Jeme提出了免疫網(wǎng)絡(luò)理論，為免疫計(jì)算奠定了基 礎(chǔ)。1986年，Perelson A.S和FamerJ.D首次給出了免疫網(wǎng)絡(luò)的數(shù)學(xué)模型，并提出 了一些算法構(gòu)想。1994年，美國學(xué)者Forrest等人提出了否定選擇算法，并將其 運(yùn)用到計(jì)算機(jī)網(wǎng)絡(luò)入侵檢測(cè)和異常檢測(cè)。 這些學(xué)者對(duì)人工免疫算法的早期研究為 如今人工免疫系統(tǒng)理論和工程應(yīng)用的快速發(fā)展做出了不可估量的貢獻(xiàn)。從 1997 年開始

5、，IEEE System,Man an dCybernetics國際會(huì)議每年組織專門的人工免疫系 統(tǒng)研討會(huì)。還有 GECCO(Geneticand Evolutionary Computation Conference)， CEC(Co ngress on Evolutio naryComputati on)等國際會(huì)議也將人工免疫系統(tǒng)作為討 論的主題之一。許多國際期刊如 Evolutionary Computation,IEEE Transaction on Evolutionary Computation 等都將人工免疫系統(tǒng)作為重要議題。在 2001 年和 2002 年 IEEE Trans

6、action on EvolutionaryComputation 還相繼出版了人工免疫系統(tǒng)專 輯。2002年 9月在英國 Kent 大學(xué)成功召開了第一屆人工免疫系統(tǒng)國際學(xué)術(shù)會(huì)議 ICARIS(lst International Conference onArtificial Immune Systems) 標(biāo)志著人工免疫 系統(tǒng)的研究發(fā)展進(jìn)入了一個(gè)新的快速發(fā)展階段。 如今，人工免疫系統(tǒng)已成為繼人 工神經(jīng)網(wǎng)絡(luò)和遺傳算法之后的又一新的人工智能研究熱點(diǎn)。人工免疫系統(tǒng)的現(xiàn)狀： 目前，基于生物免疫系統(tǒng)機(jī)理設(shè)計(jì)開發(fā)的人工免疫系統(tǒng)的研究主要包括人工 免疫網(wǎng)絡(luò)模型和人工免疫算法兩個(gè)方面。人工免疫網(wǎng)絡(luò)模型主要是

7、指在模擬細(xì)胞交互、 免疫網(wǎng)絡(luò)動(dòng)態(tài)行為的基礎(chǔ)上建 立起來的各種網(wǎng)絡(luò)模型，如獨(dú)特型網(wǎng)絡(luò)、抗體網(wǎng)絡(luò)模型、多值免疫網(wǎng)絡(luò)模型、免 疫聯(lián)想記憶模型和互聯(lián)藕合網(wǎng)絡(luò)模型等。 免疫網(wǎng)絡(luò)模型強(qiáng)調(diào)網(wǎng)絡(luò)結(jié)構(gòu)中各節(jié)點(diǎn)之 間的信息通訊和相互作用，以及其所形成的動(dòng)態(tài)平衡性是學(xué)者的關(guān)注點(diǎn)。人工免疫算法模擬生物免疫系統(tǒng)的識(shí)別、 學(xué)習(xí)、進(jìn)化等免疫原理和機(jī)制， 針 對(duì)不同應(yīng)用領(lǐng)域設(shè)計(jì)出各種算法模型。 由于人工免疫算法強(qiáng)調(diào)免疫系統(tǒng)的智能學(xué) 習(xí)機(jī)制，人工免疫算法已成為人工免疫系統(tǒng)研究的主要組成部分。人工免疫系統(tǒng)的研究機(jī)理：1抗體的多樣性原理 抗體的多樣性是免疫識(shí)別的基礎(chǔ)。 通常，免疫系統(tǒng)中抗體的種類數(shù)目要遠(yuǎn)小 于外部抗原的種類數(shù)目，

8、但經(jīng)過免疫細(xì)胞歷經(jīng)較快的新陳代謝之后， 免疫系統(tǒng)中 出現(xiàn)了攜帶著新的抗體的新生細(xì)胞， 同時(shí)，人體免疫機(jī)制確保這些新抗體隨機(jī)均 勻地散步在抗原空間中。顯然，宏觀上看，在一段時(shí)間內(nèi)，免疫系統(tǒng)具有種類數(shù) 目巨大的抗體， 且均勻地分布在整個(gè)抗原空間， 并逐步覆蓋著整個(gè)抗原空間， 完 成對(duì)所有抗原的識(shí)別。有效的多樣性生成機(jī)制能實(shí)現(xiàn)對(duì)眾多類型的抗原的識(shí)別。 抗體的多樣性的生物機(jī)制主要包括抗體庫的組合方式、 體細(xì)胞高頻變異及基因轉(zhuǎn) 換等。抗體經(jīng)過抗體庫的基因片段的重組， 產(chǎn)生了多樣性的抗原識(shí)別受體， 保證 了免疫系統(tǒng)中種類數(shù)目較少的抗體對(duì)種類數(shù)目較多的抗原的識(shí)別。2抗原與抗體的相互作用過程從宏觀角度的來看，

9、 抗體產(chǎn)生的過程分為三個(gè)階段。 當(dāng)抗原第一次進(jìn)入機(jī)體 時(shí)，需經(jīng)一定的潛伏期才能產(chǎn)生抗體， 且抗體產(chǎn)生的量也不多， 在體內(nèi)維持的時(shí) 間也較短。 當(dāng)相同抗原第二次進(jìn)入機(jī)體后， 開始時(shí)， 由于原有抗體中的一部分與 再次進(jìn)入的抗原結(jié)合， 可使原有抗體量略為降低。 隨后，抗體數(shù)量迅速大量增加 可比初次反應(yīng)產(chǎn)生的多幾倍到幾十倍， 在體內(nèi)留存的時(shí)間亦較長(zhǎng)。 此外，由抗原 刺激機(jī)體產(chǎn)生的抗體， 經(jīng)過一定時(shí)間后也可逐漸消失。 此時(shí)若再次接觸抗原， 可 使已消失的抗體快速上升，即特異性回憶反應(yīng)；反之，則為非特異性回憶反應(yīng)。從微觀角度來看， 抗體和抗原通過力或化學(xué)鍵相互作用。 抗體單個(gè)結(jié)合部位 與單個(gè)抗原的結(jié)合力稱

10、為親和力。 反映整個(gè)抗體分子與抗原之間總的結(jié)合力稱為 親合力。在只有一個(gè)決定簇的抗原分子和一群只對(duì)這一決定簇具有特異性的抗體 分子所組成的簡(jiǎn)化系統(tǒng)中， 抗原濃度可用來衡量結(jié)合力或親和力的大小。 較小的 抗原濃度意味著更大的親和力。 親和力的大小同時(shí)取決于抗原和抗體兩方面， 特 定的抗體分子對(duì)不同的相關(guān)抗原具有不同的親和力。 一個(gè)抗體分子的平均親和力 可通過重復(fù)免疫而增強(qiáng)，這一現(xiàn)象稱為親和力的成熟（ affinity mutation ）。3克隆選擇原理 克隆選擇原理是免疫系統(tǒng)用來說明對(duì)抗原刺激所產(chǎn)生的免疫應(yīng)答基本特征 的，只有識(shí)別抗原的細(xì)胞才能進(jìn)行克隆擴(kuò)增。克隆選擇學(xué)說的中心思想是， 抗體是天

11、然產(chǎn)物， 以受體的形式存在于細(xì)胞表 面，抗原可與之選擇性地反應(yīng)。 抗原與相應(yīng)抗體受體的反應(yīng)可導(dǎo)致細(xì)胞克隆增殖 該群體具有相同的抗體特異性， 其中某些細(xì)胞克隆分化為抗體生成細(xì)胞， 通過抗 體基因頻繁的變異和編輯， 在經(jīng)過免疫后得到改善度成熟。 另一些形成免疫記憶 細(xì)胞以參加之后的二次免疫反應(yīng)?？寺∵x擇是生物體免疫系統(tǒng)自適應(yīng)抗原刺激的動(dòng)態(tài)過程。 這一過程中， 所體 現(xiàn)現(xiàn)的學(xué)習(xí)、記憶、抗體多樣性等生物特性，正是人工免疫系統(tǒng)所借鑒的。人工免疫系統(tǒng)的幾種基本算法： 目前人工免疫算法的研究主要集中在對(duì)以下幾個(gè)生物免疫特性或原理的模擬：免疫系統(tǒng)的“自己（Self）”、“非己（Non-Self）”識(shí)別，B細(xì)胞

12、的高變異克 隆、抗體生成的自適應(yīng)促進(jìn)及抑制、 人工疫苗免疫的原理， 從而形成相應(yīng)的免疫 算法模型：否定選擇算法、 、克隆選擇算法、疫苗免疫算法、免疫遺傳算法等。1. 否定選擇算法 定義一個(gè)自體集合 S 隨機(jī)生成候選檢測(cè)器集合 R 計(jì)算每一個(gè)候選檢測(cè)器與自體集合 S中的所有元素進(jìn)行匹配。若匹配成功 則刪除該候選檢測(cè)器，否則將該檢測(cè)器置于合格檢測(cè)器集合中否定選擇算法的理想情況是從模式空間中篩選出一組可以完全剔除掉所有 正常模式的檢測(cè)器。 因此，通過以上耐受成熟過程的合格檢測(cè)器集合不僅能夠檢 測(cè)識(shí)別已知的異常模式，理論上還能夠檢測(cè)識(shí)別未知的“非己” 。2. 克隆選擇算法 生成候選方案的一個(gè)集合 P,

13、它由記憶細(xì)胞M的子集和剩余群體Pr組成 （P=M+Pr）。 選擇 n 個(gè)具有較高親和力的個(gè)體。 克隆這n個(gè)最好的個(gè)體，組成一個(gè)臨時(shí)的克隆群體C。與抗原的親和力越 高，個(gè)體在克隆時(shí)的規(guī)模也就越大。 把克隆群體提交到高頻變異， 根據(jù)親和力的大小決定變異。 產(chǎn)生一個(gè)成熟 的抗體群體 C*。 對(duì)C*進(jìn)行再選擇，組成記憶細(xì)胞集合 M。P中的一些成員可以被 C*中的 其它一些改進(jìn)的成員替換掉。 生成d個(gè)新的抗體取代P中d個(gè)低親和力的抗體，保持多樣性。3. 疫苗免疫算法1）免疫算子：由“接種疫苗”和“免疫選擇”兩個(gè)操作步驟組成。2）疫苗（Vacci ne）:根據(jù)進(jìn)化環(huán)境或待求問題的先驗(yàn)知識(shí)，得到的對(duì)最佳個(gè)體

14、基因的估計(jì)。3）接種疫苗（Vaccination）：根據(jù)疫苗修正個(gè)體基因的過程即為接種疫苗，其目的是消除抗原在新個(gè)體產(chǎn)生時(shí)所帶來的負(fù)面影響。設(shè)有一個(gè)體 x，給其接種疫 苗是指按照先驗(yàn)知識(shí)來修改個(gè)體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。4）免疫選擇：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， 說明在交叉、 變異的過程中出現(xiàn)了 嚴(yán)重的退化現(xiàn)象。 這時(shí)，該個(gè)體將被父代中所對(duì)應(yīng)的個(gè)體取代； 第二步是退火選 擇，即在目前的子代群體中以某一概率選擇某個(gè)體進(jìn)入新的父代群體。4. 免疫遺傳算法 抗體的濃度概率 （或簡(jiǎn)稱）

15、是指與某一抗體相同或相似的抗體占整個(gè)抗體 群體的比例。 抗體生成的促進(jìn)是指該抗體被選擇的概率得到提升，而抗體生成的抑制是指降低抗體的選擇概率。 抗體的適應(yīng)度高而濃度低， 則被促進(jìn)； 適應(yīng)度低而濃度 高則被抑制。該算法采用基于抗體適應(yīng)度和抗體濃度進(jìn)行控制的遺傳進(jìn)化方式， 使得高適應(yīng)度的超級(jí)個(gè)體在群體中的擴(kuò)散速度被有效控制， 從而有助于避免傳統(tǒng) 遺傳算法所固有的“早熟”問題，具有較強(qiáng)的全局優(yōu)化能力。人工免疫系統(tǒng)的應(yīng)用： 近年來，各種人工免疫模型和算法已應(yīng)用于許多工程領(lǐng)域中的復(fù)雜問題， 這 些問題通常是傳統(tǒng)理論和方法無法解決的。1自動(dòng)控制現(xiàn)代自動(dòng)控制理論研究中一個(gè)重要的領(lǐng)域就是設(shè)計(jì)控制系統(tǒng)的魯棒性，

16、 即當(dāng) 一個(gè)控制系統(tǒng)中的參數(shù)發(fā)生攝動(dòng)時(shí)系統(tǒng)仍能保持正常工作， 就像人在受到外界病 菌的感染后， 能夠通過自身的免疫系統(tǒng)恢復(fù)健康一樣。 生物免疫系統(tǒng)具有的天然 魯棒性，使許多學(xué)者開始研究基于免疫的控制方法， 為現(xiàn)代控制工程的發(fā)展提供 了新的方向。主要的研究方向有 Bersini 為代表的自適應(yīng)控制、 Ootsuki 為代表的 順序控制、以及 Ishiguro 的機(jī)器人行為控制。2數(shù)據(jù)挖掘在人工智能的研究中， 知識(shí)的自動(dòng)獲取是一個(gè)關(guān)鍵， 數(shù)據(jù)挖掘技術(shù)是解決這 一關(guān)鍵的主要方案。 數(shù)據(jù)挖掘旨在從大量的數(shù)據(jù)中尋找隱含的層次的信息， 是一 個(gè)從系統(tǒng)內(nèi)部自動(dòng)獲取知識(shí)的過程， 免疫系統(tǒng)強(qiáng)大的信息處理能力也可

17、用于數(shù)據(jù) 挖掘。1999年，Timmis等人比較了人工免疫網(wǎng)絡(luò)、聚類分析和神經(jīng)網(wǎng)絡(luò)3種方法在數(shù)據(jù)挖掘中的應(yīng)用和各自的特點(diǎn)， 指出應(yīng)用人工免疫系統(tǒng)進(jìn)行數(shù)據(jù)挖掘可對(duì) 訓(xùn)練數(shù)據(jù)進(jìn)行建模， 對(duì)輸入空間的大區(qū)域有泛化能力， 并能對(duì)得到的進(jìn)化的網(wǎng)絡(luò) 提供更好的解釋，獲取更多的有用信息。3計(jì)算機(jī)安全與計(jì)算機(jī)系統(tǒng)遇到的各種病毒、 非法入侵等計(jì)算機(jī)安全問題與生物免疫系統(tǒng) 遇到的問題十分相似。因此可以借鑒生物免疫系統(tǒng)的“自己” 、“非己”識(shí)別方式 來解決計(jì)算機(jī)安全問題。在計(jì)算機(jī)入侵檢測(cè)和病毒檢測(cè)方面開創(chuàng)性的研究是 Forrest的否定選擇算法。隨后 Kim等人提出了一種結(jié)合多種免疫機(jī)制的基于人 工免疫多代理入侵檢

18、測(cè)模型。4故障監(jiān)測(cè)和診斷D Dasgupta等將人工免疫系統(tǒng)用于工業(yè)中，進(jìn)行加工工具破損監(jiān)測(cè)。劉樹林 等受生物免疫系統(tǒng)自己一非己識(shí)別過程的啟發(fā)提出了反面選擇算法， 在故障診斷 應(yīng)用領(lǐng)域中改進(jìn)了反面選擇算法， 提出了對(duì)旋轉(zhuǎn)機(jī)械在線故障診斷的新方法 杜 海峰等還將ART-人工免疫網(wǎng)絡(luò)用于解決多級(jí)往復(fù)式壓縮機(jī)故障診斷效果良好。5圖像處理圖象處理D F McCoy（1997）等將人工免疫系統(tǒng)用于圖象分割。王肇捷等為了 得到最佳視差圖， 將免疫算法用于解決計(jì)算機(jī)視覺中的立體匹配； 與基于像素點(diǎn) 灰度匹配相比， 免疫算法的匹配效果好； 與模擬退火匹配相比， 雖然都能得到全 局最優(yōu)的視差圖，但免疫算法的匹配

19、速度快。6智能優(yōu)化許多的工程問題都能抽象成優(yōu)化問題。 作為一種智能優(yōu)化搜索策略， 人工免 疫算法在函數(shù)優(yōu)化、 組合優(yōu)化、調(diào)度問題等許多方面都得到了應(yīng)用并取得了很好 的效果?？贵w對(duì)抗原的識(shí)別和隨后的進(jìn)化過程實(shí)質(zhì)上是一種生物搜索和優(yōu)化過程 通過借鑒免疫系統(tǒng)高效的多樣化抗體產(chǎn)生和保持機(jī)制可以建立高效的搜索和優(yōu) 化算法。在優(yōu)化問題求解中， 各種基于免疫原理的人工免疫算法展示了良好的性 能，通常情況下， 免疫算法都取得了比傳統(tǒng)的啟發(fā)式算法更好的求解結(jié)果， 尤其 在求解的效率方面，顯示出人工免疫系統(tǒng)在智能優(yōu)化領(lǐng)域具有廣闊的應(yīng)用前景。除了上述幾個(gè)方面的應(yīng)用， 人工免疫算法在模式識(shí)別、 聯(lián)想記憶、機(jī)器學(xué)習(xí)、

20、智能建筑等諸多領(lǐng)域也都有相應(yīng)的應(yīng)用。 由于人工免疫算法獨(dú)具的分布式、 自適 應(yīng)、自組織系統(tǒng)特性以及其在解決實(shí)際問題尤其是復(fù)雜問題時(shí)所體現(xiàn)出來的魯棒 性和高效性，使之成為一個(gè)具有較強(qiáng)實(shí)用價(jià)值的研究方向。人工免疫算法的一般步驟：人工免疫算法一般可以大致分為以下幾個(gè)基本步驟：1 ）定義抗原：通常是將待解決的問題或可以達(dá)到的最優(yōu)處理結(jié)果抽象成為 人工免疫算法的抗原。2）定義抗體：可以將待求解問題的解空間中的一個(gè)點(diǎn)（或者說一個(gè)解決方 案）對(duì)應(yīng)為人工免疫算法的一個(gè)抗體。3）生成初始抗體群體：一般采用和遺傳算法類似的方法，隨機(jī)產(chǎn)生初始抗 體群體。4）計(jì)算親和力：親和力包括抗體對(duì)抗原的親和力，以及抗體和抗體之間的 親和力兩種類型。 親和力通常用以表達(dá)抗體對(duì)抗原或其它抗體的匹配程度或相似 程度，是反映抗體的優(yōu)劣程度的一種評(píng)價(jià)值，是指導(dǎo)抗體進(jìn)化發(fā)展的重要指標(biāo)。5）計(jì)算濃度或多樣度：抗體的濃度或多樣度主要用于評(píng)估群體中模式的豐 富程度，為算法后續(xù)的免疫行為（操作）提供指導(dǎo)依據(jù)。6）各種免疫行為 （操作）：