基于优化目标可调控的免疫网络算法的分析与应用.docVIP

基于优化目标可调控的免疫网络算法的分析与应用 　　摘要:针对目前几种免疫网络模型在数据聚类方面应用的一些不足,在aiNet免疫算法的基础上结合函数优化的思想提出一种基于目标可调控的免疫模型。并在算法中给出目标控制函数,和细胞记忆库的概念。本算法提高了免疫学习质量并从整体上对免疫网络进行优化。 　　关键词:人工免疫算法;聚类;数据压缩 　　中图分类号:TP393文献标识码:A文章编号:1009-3044(2010)10-2384-03 　　The Analysis and Application of Artificial Immune Algorithm Based on Object-controllable 　　WANG Fan, TIAN Yu-ling 　　(Computer and Software Department in Taiyuan University of Technology, Taiyuan 030024, China) 　　Abstract: At present several immune models is in the lack of data clustering. On the base of the aiNet Algeria, I proposed a new clustering algorithm of artificial immune network based on object-controllable. A function to control the learning object is proposed and the cells memory is defined .In this algorithm the quality of immunity learning is improved by adopting the cells memory strategy and the immune network is optimized on the whole.. 　　Key words: artificial immune algorithm; clustering; data compression 　　人工免疫系统在数据挖掘中的应用目前更多集中在无监督学习即聚类方面,数据聚类实际是对大量数据的一种压缩。而现有的一些免疫网络模型在实际应用上多少都有些局限性[1]。突出表现在以下几点:1) 预设参数较多,操作比较复杂。2) 抗体在变异过程中大多使用随机的方式,这样容易出现“退化”的情况。3) 整个抗体网络迭代学习的终止条件太简单,没有引入一个对整体网络优劣进行评价的标准。4) 即便提出了记忆库的概念,但并没有充分利用它来进行迭代学习。5) 没有对聚类结果进行一个评价。 　　1 基于优化目标可调控的免疫网络算法 　　针对上面的一些不足,吸取现有模型的优点,提出一些改进的方法。本文算法主要是在aiNet算法[2-3]的基础之上进行的改进。吸取了RLAIS免疫模型里提出的对抗体进行评价的思想,提出一个对整体抗体网络进行评价的函数。在理解了opt-aiNet算法的基础上,提出细胞记忆库的概念,并将其用于迭代学习过程中。提高了网络的收敛效果。 　　aiNet该学习算法本质就是一个带权不完全联通图。目的就是建立一个记忆集合,识别和表示数据结构组织。我们希望网络细胞足够特异,网络简化程度足够低,同时细胞足够“通用”。最后训练出来的记忆网络我们希望它能够用最少的抗体识别最多的抗原,并且识别效果最好。这就是我们对数据压缩的好坏最主要的评价标准。 　　1.1 根据我们提出的这种要求给出相关概念的定义 　　定义1:抗体对抗原识别是指抗原对于网络里所有抗体的最大亲和力能够大于预先识别阈值。 　　 max{nf(Ag,Abi)}≥σ5, i=1,2,3…n(1) 　　σ5是亲和力阈值。 　　定义2:识别率是指一个记忆网络能够识别的抗原的个数所占抗原集合的比例。 　　 f(Ag,M)=(j/q)×100%(2) 　　定义3:压缩率指识别一个抗原集合所需要的所有抗体个数占所有抗原的比例 　　为了使压缩率与M成单调递增关系便于后面计算,给出下面公式: 　　 g(Ag,M)=(1-n/q)×100% (3) 　　(q为抗原个数,n为学习后网络抗体个数) 　　定义4:识别强度指记忆网络中所有抗体与抗原集合的亲和力之和 　　(4) 　　结合上面三个评价标准,为了能综合考虑,特提出一个总体评价函数如下: 　　 maxF(Ag,M)=a?f(Ag,M)+b?g(Ag,m)+c?t(Ag,M)(0　　由于实际应用过程中,不可能让三个函数都达到最优。这