【Matlab经典智能算法】新手入门第十六天

---

前言

随着人工智能的不断发展，智能算法这些内容也越来越重要，很多人都开启了学习智能算法，本文就介绍了一些经典的智能算法。

---

1.免疫算法的MATLAB实现

免疫算法基于生物免疫系统基本机制，模仿了人体的免疫系统。人工免疫系统作为人工智能领域的重要分支，同神经网络及遗传算法一样也是智能信息处理的重要手段，已经受到越来越多的关注。

1.1基本原理

免疫遗传算法解决了遗传算法的早熟收敛问题，这种问题一般出现在实际工程优化计算中。因为遗传算法的交叉和变异运算本身具有一定的盲目性，如果在最初的遗传算法中引入免疫的方法和概念，对遗传算法全局搜索的过程进行一定强度的干预，就可以避免很多重复无效的工作，从而提高算法效率。
因为合理提取疫苗是算法的核心，为了更加稳定的提高群体适应度，算法可以针对群体进化过程中的一些推退化现象进行抑制。
因为免疫系统具有辨识记忆的特点所以可以更快识别个体群体。而我们所说的基于疫苗接种的免疫遗传算法就是将遗传算法映射到生物免疫系统中，结合工程运算得到的一种更高级的优化算法。面对带求解问题时，相当于面对各种抗原，可以提前注射“疫苗”来抑制退化问题，从而更加保持优胜劣汰的特点，使算法一直优化下去，即达到免疫的目的。
一般的免疫算法可分为三种情况：

• 模仿免疫系统抗体与抗原识别，结合抗体产生过程而抽象出来的免疫算法；
• 基于免疫系统中的其他特殊机制抽象出的算法，例如克隆选择算法；
• 与遗传算法等其他计算智能融合产生的新算法，例如免疫遗传算法。

1.2程序设计

免疫遗传算法和遗传算法的结构基本一致，最大的不同之处就在于，在免疫遗传算法中引入了浓度调节机制。进行选择操作时，遗传算法值只利用适应度值指标对个体进行评价；免疫遗传算法的选择策略变为：适应度越高，浓度越小，个体复制的概率越大；适应度越低，浓度越高的个体得到选择概率就越小。
免疫遗传算法的基本思想就是在传统遗传算法的基础上加入一个免疫算子, 加入免疫算子的目的是防止种群退化。免疫算子由接种疫苗和免疫选择两个步骤组成免疫遗传算法可以有效地调节选择压力。因此，免疫算法具有更好的保持群体多样性的能力。
1.免疫遗传算法步骤和流程
免疫遗传算法流程见下图所示