免疫网络算法（INA）

名称

免疫网络算法（Immune Network Algorithm, INA），又称：

• 人工免疫网络（Artificial Immune Network, AIN）
• 免疫网络模型（Immune Network Model, INM）
• 独特型网络算法（Idiotypic Network Algorithm）

分类

查看分类思维导图

免疫网络算法是一种受生物机制启发的优化算法，隶属于计算智能（Computational Intelligence）领域中的人工免疫系统（Artificial Immune Systems, AIS）范畴。

• 计算智能
  • 生物启发计算
    • 人工免疫系统（AIS）
      • 免疫网络算法（INA）

策略

免疫网络算法受 Niels Jerne 提出的独特型网络理论启发。该理论认为，免疫系统中的抗体不仅能够识别并结合抗原，还会彼此相互作用，从而形成一个包含刺激与抑制关系的网络结构。在该算法中，每个抗体表示优化问题中的一个候选解，而抗体之间的亲和力则用于表示其相似性。

该算法维护一个由抗体组成的种群，并通过克隆、变异与选择过程使其持续演化。对抗原具有较高亲和力的抗体（即对应更优解的个体）更有可能被选中进行克隆与变异；而亲和力较低的抗体则会受到抑制，并可能从种群中被淘汰。

网络中抗体之间的相互作用有助于维持种群多样性，并防止算法过早收敛到次优解。刺激与抑制机制还使算法能够在搜索过程中较好地平衡全局探索与局部开发。

过程

数据结构：

• 抗体（Antibody）：表示优化问题中的一个候选解。
• 亲和力矩阵（Affinity Matrix）：存储种群中每对抗体之间的亲和力（相似性）。

参数：

• 种群规模（Population Size）：种群中抗体的数量。
• 克隆率（Cloning Rate）：每次迭代中被选中进行克隆的抗体比例。
• 变异率（Mutation Rate）：抗体中每个元素发生变异的概率。
• 抑制阈值（Suppression Threshold）：低于该亲和力阈值的抗体将受到抑制。
• 终止准则（Termination Criterion）：算法停止的条件，例如最大迭代次数或目标适应度值。

步骤：

1. 随机初始化抗体种群。
2. 评估每个抗体对抗原的亲和力（适应度函数）。
3. 计算每对抗体之间的亲和力，并将结果存储于亲和力矩阵中。
4. 当未满足终止准则时，重复执行以下过程：
   1. 按照亲和力大小，选择一部分亲和力最高的抗体，并按其亲和力成比例地进行克隆（克隆选择）。
   2. 对被选中的抗体进行克隆。
   3. 根据变异率，以一定概率对克隆抗体执行变异（体细胞高频变异）。
   4. 评估变异后克隆体对抗原的亲和力。
   5. 更新亲和力矩阵，记录变异克隆体与现有抗体之间的亲和力。
   6. 对亲和力低于抑制阈值的抗体进行抑制。
   7. 用新随机生成的抗体替换被抑制的抗体。
5. 返回亲和力最高的抗体，作为所找到的最优解。

注意事项

优点：

• 能够维持种群多样性，从而降低早熟收敛的风险。
• 可通过刺激与抑制机制较好地平衡探索与开发。
• 对最优解可能随时间变化的动态环境具有较强适应性。

缺点：

• 亲和力矩阵的计算开销较大，尤其是在种群规模较大时更为明显。
• 算法性能对参数选择较为敏感，例如抑制阈值和变异率的设置。
• 在高维问题中，算法可能需要较多迭代次数才能收敛到最优解。

启发式建议

种群规模：

• 初始种群规模应足以维持多样性，但又不宜过大，以免计算代价过高。
• 对于更复杂的问题或具有较多局部最优的场景，可考虑适当增大种群规模。

克隆率：

• 较高的克隆率有助于加快收敛速度，但可能降低种群多样性。
• 较低的克隆率有助于维持多样性，但可能减缓收敛过程。
• 可通过实验比较不同克隆率设置，以找到适合具体问题的平衡点。

变异率：

• 较高的变异率有助于增强全局探索能力，但也可能破坏已有优良解。
• 较低的变异率有助于保留优良解，但可能限制搜索范围。
• 可考虑采用自适应变异率，使其随种群逐步收敛而逐渐减小。

抑制阈值：

• 较高的抑制阈值有助于维持更强的种群多样性，但可能减缓收敛速度。
• 较低的抑制阈值有助于提高收敛速度，但也可能导致算法过早收敛到次优解。
• 应根据对多样性与收敛速度的需求平衡，动态调整抑制阈值。

终止准则：

• 可设置最大迭代次数，作为防止算法无限运行的基本保障。
• 若已知或可估计最优解的适应度，可将目标适应度值作为附加终止条件。
• 在迭代过程中应监测算法进展；若最优解在连续若干代中无明显改进，则可提前停止算法。