免疫算法详解

基本思想是将想要求解的各类优化问题的目标函数（约束条件）与抗原相对应，找到可以与抗原进行亲和反应的抗体，该抗体就是要求的最优解。
最核心要解决的就是

1.计算抗原和抗体的亲和度，亲和度越高，越可能是最优解，

2.计算抗体和抗体间的相似度，调查抗体群具有的多样性。
IA是必须要产生多样性抗体和抗原去抗衡。具体的流程图如下：

计算方式：信息熵
利用信息理论，用抗体的信息量去描述抗体的多样性，以及抗体和抗原的亲和度


一个免疫系统有N个抗体构成，也就是一个抗体群

​多样性用信息熵来表示

生成新的抗体群过程中要控制相同抗体的数量，这就需要在这一过程中计算抗体的相似度。

每个抗体会计算它与其他抗体间的相似性，然后计算该抗体的浓度。

首先我们需要识别抗原（也就是要知道要解决的问题是什么？）

IA是必须要产生多样性抗体和抗原去抗衡，从而找到最优解。

当我们识别抗原以后，我们会随机产生一个初始抗体群，对于抗体群的大小，和抗体长度都是我们自定义的参数值。

现在假设一个免疫系统的初始抗体群如下图所示：抗体群大小为N,遗传因子共M位

​

抗体群

​针对抗体群计算各个遗传因子的信息熵再计算整体的信息熵

抗体群的多样性计算

​为了判断抗体是否具有多样性，根据信息论的定义，我们用信息熵来表示抗体的多样性，抗体由m位遗传因子构成，先计算各个遗传因子的信息熵

遗传因子

​
Pij表示在j位置的遗传因子取值i的概率（遗产因子的取值范围是s个符号离散值）。

N个抗体对应共N个在j位置的遗传因子。那么这N个值中假设取值为i符号的有nij个，那么

​

再计算该抗体群的信息熵，共M位遗传因子组成一个完整的抗体qun

​

抗体的多样性

​
生成新的抗体群过程中要控制相同抗体的数量，这就需要在这一过程中计算抗体的相似度。

​

抗体间相似度计算

​
H(u，v)----由u,v两个抗体组成的新抗体群，计算对应的熵。（相当于计算新抗体群多样性）

抗原抗体亲和度计算​

抗体抗原间的亲和性度量

​
核心问题就是设定好所求问题的目标函数，一般目标函数会有很多未知参数，

找出能够完全亲和抗原的抗体，也就是找到了最优的解。

若没有找到，则需要ju，交叉具体异等方式去更新抗体库，生成新的抗体，同时将更新记忆细胞。

 

具体步骤如下：

(1)抗原识别，即理解待优化的问题，对问题进行可行性分析，提取先验知识，构造出合适的亲和度函数，并制定各种约束条件。

(2)初始抗体群，通过编码把问题的可行解表示成解空间中的抗体，在解的空间内随机产生一个初始种群。

(3)对种群中的每一个可行解进行亲和度评价。（记忆单元的更新：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(抗体和抗体的亲和性计算)）

 (4)判断是否满足算法终止条件；如果满足条件则终止算法寻优过程，输出计算结果；否则继续寻优运算。

迭代：（5）（6）（7）​

​   (5)计算抗体浓度和激励度。（促进和抑制抗体的产生：计算每个抗体的期望值，抑制期望值低于阈值的抗体；可以知道与抗原间具有的亲和力越高，该抗体的克隆数目越高，其变异率也越低）

 (6)进行免疫处理，包括免疫选择、克隆、变异和克隆抑制。

      免疫选择:根据种群中抗体的亲和度和浓度计算结果选择优质抗体，使其活化；

     克隆:对活化的抗体进行克隆复制，得到若干副本；

     变异:对克隆得到的副本进行变异操作，使其发生亲和度突变；

     克隆抑制:对变异结果进行再选择，抑制亲和度低的抗体，保留亲和度高的变异结果。

 (7)种群刷新，以随机生成的新抗体替代种群中激励度较低的抗体，形成新一代抗体，转步骤(3)。