人工免疫的探讨.ppt

人工免疫的探讨 Contents 引言 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。 它通过类似于生物免疫系统的机能，构造具有动态性和自适应性的信息防御体系，以此来抵制外部无用、有害信息的侵入，从而保证接受信息的有效性与无害性。 基本免疫方法 1.免疫识别 2.免疫学习 3.免疫记忆 4.克隆选择 免疫识别 免疫识别是免疫系统的主要功能，同时也是AIS的核心之一，而识别的本质是区分“自我”和“非我”。 核心机制是根据识别的对象特征进行编码，定义一个自我集合并随机产生一系列检测器，用于检测自我集合的变化。根据阴性选择原理，若检测集合与自我集合匹配，则完成匹配任务，机体发现病变。 (1)定义自己(self)为一个字符串集合S，每个字符串由n个字母组成，字符串可以是一个网络数据包，电子邮件特征向量或程序的一般行为模式。 (2)产生一个初始监测器集合R。 (3)监测器集合中每个监测器经历阴性选择过程。其中每一个监测器都不能与集合S中的任何一个字符串相匹配，否则就从监测器集合中删去对应的检测器。 (4)通过与R集合的匹配不断监测S的变化，一旦发生任何匹配，则说明S集发生了变化，即有外来抗原侵入。 在最初的算法描述中，候选的监测器是随机产生的，然后测试以删除与自身字串相匹配的监测器，算法中采用的匹配规则是r-连续位匹配，即当两个字符串至少存在连续r位相同是才发生匹配。 该过程重复进行，直到所需数量的监测器被产生出来。通常用概率分析方法来估算为了满足一定的可靠性所应有的监测器的数目。 免疫学习 免疫识别过程同时也是一个学习的过程，学习的结果是免疫细胞的个体亲和度提高、群体规模扩大，并且最优个体以免疫记忆的形式得到保存。 当机体重复遇到同一抗原时，由于免疫记忆机制的作用，免疫系统对该抗原的应答速度大大提高，并且产生高亲和度的抗体去除病原，这个过程是一个增强式学习过程。而且可以对结构类似的抗原进行识别。 免疫学习一般有以下几种途径: (a)对同一抗原进行重复学习，属于增强式学习。 (b)亲合度成熟，对应于AIS中的个体经遗传操作后其亲合度逐步提高的过程，属于遗传学习。 (c)低度的重复感染，对应于AIS的重复训练过程。 (d)对内生和外生抗原的交叉应答，属于联想式学习，对应于联想记忆机制。 免疫记忆 当免疫系统初次遇到一种抗原时，淋巴细胞需要一定的时间进行调整以更好地识别抗原，并在识别结束后以最优抗体的形式保留对该抗原的记忆信息。而当免疫系统再次遇到相同或者结构相似的抗原时，在联想记忆的作用下，其应答速度将大大提高。 免疫记忆主要体现在再次免疫应答和交叉免疫应答时，可以大大加速优化搜索过程，加快学习进程并提高学习质量。 。 克隆选择 克隆选择原理最先由Jerne提出，后由Burnet给予完整阐述。其大致内容为:当淋巴细胞实现对抗原的识别(即抗体和抗原的亲和度超过一定阈值)后，B细胞被激活并增殖复制产生B细胞克隆，随后克隆细胞经历变异过程，产生对抗原具有特异性的抗体。克隆选择理论描述了获得性免疫的基本特性，并且声明只有成功识别抗原的免疫细胞才得以增殖。经历变异后的免疫细胞分化为效应细胞(抗体)和记忆细胞两种。 克隆选择的主要特征是免疫细胞在抗原刺激下产生克隆增殖，随后通过遗传变异分化为多样性抗体细胞和记忆细胞。 克隆选择对应着一个亲和度成熟的过程，即对抗原亲和度较低的个体在克隆选择机制的作用下，经历增殖复制和变异操作后，其亲和度逐步提高而“成熟”的过程。因此亲和度成熟本质上是一个达尔文式的选择和变异的过程，克隆选择原理通过采用交叉、变异等遗传算子和相应的群体控制机制实现。 免疫算法 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。 免疫算法的一般步骤 (1)识别抗原：免疫系统确认抗原入侵。 (2)产生初始抗体群体：激活记忆细胞产生抗体，清除以前出现过的抗原，从包含最优抗体(最优解)的数据库中选择出来一些抗体。 (3)计算亲和力：计算抗体和抗原之间的亲和力。 (4)记忆细胞分化：与抗原有最大亲和力的抗体加给记忆细胞。由于记忆细胞数目有限，新产生的与抗原具有更高亲和力的抗体替换较低亲和力的抗体。 (5)抗体促进和抑制：高亲和力抗体受到促进，高密度抗体受到抑制。通常通过计算抗体存活的期望值来实施。 (6)抗体产生:对未知抗原的响应，产生新淋巴细胞 阴性选择算法 Procedure Begin 随机生成大量的候选检测器(即免疫细胞) /*初始化*/ While一个给定大小的检测器集合还没有被产生d