人工免疫识别系统（AIRS）

名称

人工免疫识别系统（Artificial Immune Recognition System, AIRS）

分类

查看分类思维导图

AIRS 是一种受生物机制启发的优化算法，其构建基础来源于人体免疫系统的基本原理。它与其他免疫启发式算法关系密切，如克隆选择算法（Clonal Selection Algorithm）和否定选择算法（Negative Selection Algorithm）。

• 计算智能
  • 生物启发计算
    • 人工免疫系统
      • 克隆选择算法
      • 否定选择算法
      • 人工免疫识别系统（AIRS）

策略

AIRS 模拟人体免疫系统中的行为机制，尤其是抗体生成与抗原识别过程。该算法维护一个由人工免疫细胞构成的种群，其中每个免疫细胞对应于优化问题中的一个潜在解。

亲和力成熟

在亲和力成熟阶段，算法选择对抗原（即待求解问题）具有最高亲和力（适应度）的免疫细胞，并对其执行克隆与变异操作。该过程使免疫细胞能够在解空间中展开搜索，并有可能发现更优解。

记忆细胞选择

在亲和力成熟阶段结束后，算法从表现最佳的免疫细胞中筛选出一部分作为记忆细胞。这些记忆细胞表示当前已获得的最优解，并在后续迭代中用于引导搜索过程。

多样性维持

为保持种群多样性并避免过早收敛，AIRS 引入了称为资源竞争（resource competition）的机制。该机制能够淘汰彼此过于相似的免疫细胞，从而促进种群中解的多样化分布。

过程

1. 初始化：
   1. 构造初始人工免疫细胞种群
   2. 评估每个免疫细胞的亲和力（适应度）
2. 重复以下过程，直至满足终止条件：
   1. 亲和力成熟：
      1. 选择表现最优的免疫细胞
      2. 对被选中的细胞进行克隆与变异
      3. 评估克隆与变异后细胞的亲和力
   2. 记忆细胞选择：
      1. 从亲和力成熟阶段中选出表现最优的免疫细胞
      2. 将其加入记忆细胞池
   3. 多样性维持：
      1. 在免疫细胞之间执行资源竞争
      2. 删除彼此过于相似的免疫细胞
3. 返回所找到的最优解（即亲和力最高的记忆细胞）

数据结构

• 种群（Population）：由人工免疫细胞组成的集合，用于表示潜在解
• 记忆细胞池（Memory Cell Pool）：种群中的一个子集，用于存储表现最优的免疫细胞
• 亲和力（Affinity）：衡量某个免疫细胞（解）质量或适应性的指标

参数

• 种群规模（Population Size）：种群中人工免疫细胞的数量
• 克隆率（Clonal Rate）：在亲和力成熟过程中，每个被选中免疫细胞生成的克隆数量
• 变异率（Mutation Rate）：每个克隆免疫细胞发生变异的概率
• 亲和力阈值（Affinity Threshold）：免疫细胞被选中进行克隆与变异所需达到的最低亲和力
• 多样性阈值（Diversity Threshold）：为维持种群多样性，不同免疫细胞之间所要求保持的最小距离

注意事项

优点

• 通过资源竞争机制天然具备种群多样性维持能力
• 可借助亲和力成熟与记忆细胞选择在全局探索与局部开发之间实现平衡
• 由于具有持续学习特性，因此对动态环境具有较强适应能力

缺点

• 计算复杂度可能较高，尤其在种群规模较大或问题维度较高时更为明显
• 对参数设置较为敏感，通常需要精细调参才能获得较优性能
• 由于搜索过程具有随机性，在高度约束优化问题中可能表现受限

启发式建议

种群规模

• 可从中等规模的种群开始设置（如 50–100），再根据问题复杂度进行调整
• 较大的种群有助于增强全局探索能力，但会增加计算开销
• 较小的种群可能收敛更快，但也更容易陷入局部最优

克隆率

• 较高的克隆率有利于加强对潜在优良解的开发
• 较低的克隆率有利于增强解空间探索能力
• 应根据所需的探索与开发平衡对克隆率进行调节

变异率

• 较高的变异率能够引入更多多样性，但可能减缓收敛速度
• 较低的变异率能够使搜索集中于已有优良解附近，但可能削弱探索能力
• 可根据搜索阶段自适应调整变异率，例如前期较高、后期较低

亲和力阈值

• 应根据期望解质量设置亲和力阈值
• 较高阈值具有更强选择性，但可能丢弃潜在有价值的解
• 较低阈值具有更强包容性，但可能降低收敛效率

多样性阈值

• 应根据期望的种群多样性水平设置多样性阈值
• 较高阈值有助于保持更强多样性，但可能减缓收敛过程
• 较低阈值允许种群中存在更多相似解，但也会提高早熟收敛风险

终止条件

• 应结合具体问题需求明确设定终止条件，例如最大迭代次数或目标解质量
• 可联合使用多种终止标准，以兼顾计算成本与求解效果
• 可引入提前停止机制，避免在无明显进展的情况下继续消耗计算资源

问题表示

• 应为具体问题选取适当的表示方式，如二进制编码、实值编码或排列编码
• 在选择表示方式时，应综合考虑约束条件与目标函数特性
• 所选表示方式应支持有意义的变异操作与亲和力评估

亲和力评估

• 应定义合理的亲和力函数，以准确衡量解的质量
• 尤其在大规模问题中，应关注亲和力函数本身的计算代价
• 可对亲和力数值进行归一化处理，以保证不同解之间比较的公平性

参数自适应

• 可引入自适应机制，在搜索过程中自动调整算法参数
• 可依据搜索进展反馈指导参数更新，例如在搜索停滞时提高变异率
• 应对不同参数自适应策略进行实验比较，并选择最适合目标问题的方法