人工免疫原理范文

人工免疫原理范文（精选10篇）

人工免疫原理 第1篇

自然界中, 生物的免疫系统成功地保护了生物自身免受外来病原体的侵害, 入侵检测是计算机安全研究中的一个新领域, 目前已有许多网络的入侵检测系统被开发出来, 免疫原理在入侵检测领域的应用是一个刚刚兴起的研究, 它的目的是使检测系统具有分布性、多样性、自适应性、自动应答和自我修复的特点, 具有检测异常现象、利用不完备信息进行检测的能力。

二、人类免疫系统的原理

人类肌体总是处于大量微小有机体例如细菌、寄生虫、病毒、真菌或由这些组成的病菌的不断的入侵中, 这些病菌往往就是很多疾病的来源。人类的免疫系统就是用来防御这些入侵的系统, 由具有免疫功能的器官、组织、细胞、免疫效应分子与有关基因组成。而其中很重要的一部分就是淋巴细胞, 淋巴细胞主要有T细胞和B细胞两类。T细胞在面对外来入侵的时候, 担任协调免疫系统各部分功能的作用。而B细胞通过其表面的抗体和抗原结合, 来消灭抗原。抗体的主要工作就是区分本体细胞和异体细胞。其中本体细胞指的是正常的人体细胞;异体细胞是指有害的异质细胞, 也称抗原。每个B淋巴细胞可以产生一种抗体, 并通过绑定机制识别一定数量结构相似的抗原细胞。免疫系统面对各种不同的外界入侵抗原, 各种B细胞产生了数百万种不同种类的抗体, 利用抗体上有特定的物质和它的特殊功能, 可以结合、粘附或消除入侵的抗原, 增强其它吞噬细胞吞噬病原体的功能, 以维持免疫平衡。同时免疫系统具有记忆能力, 对曾经入侵过的抗原, 能够比新入侵抗原更迅速的识别。

三、人工免疫原理在IDS上的应用

合格的入侵检测系统 (I D S) 要具有准确性、完整性、可扩展性、可适应性和自身的健壮性等特点。这就要求它达到以下的设计目标: (1) 完备的; (2) 分布式的; (3) 自组织的和精简的。

生物免疫系统与I D S有着功能上的相似之处。免疫系统的分布性、多样性、自成体系、完备性和精简性使它精确有效地保护着生物个体。如何模拟基因库更新、阴性选择、克隆选择等抗体生成过程建立入侵检测器是建立基于人工免疫原理的入侵检测系统的关键。

1. 模拟基因库

人体免疫系统有着多层保护机制, 包括:皮肤、生理条件、先天免疫和适应免疫。适应免疫主要是由B细胞和T细胞来完成的免疫反应。B细胞和T细胞分别在骨髓和胸腺中产生。在骨髓和胸腺中有专门用于生成B细胞和T细胞的基因库, 基因库中包含了用于构成这两种细胞的基因片段。通过对基因库中的基因片段进行重组、突变等操作来产生新的不同的细胞, 这就使它们能够识别各种病毒。人体免疫系统利用基因库来产生免疫细胞, 使产生合格免疫细胞的概率增大, 人们把基因库的机制引入到人工免疫系统中, 用来产生更有效的检测器集。但是对于如何构建基因库还没有确定的方法, 有2种新提出的构建基因库的方法:一种为直接应用非我样本来构建基因库, 另一种方法是通过统计所有非我样本的分布来构建基因库。这2种方法都能够产生检测率更高的检测器集。

2. 阴性选择算法

阴性选择算法是基于免疫系统的自体非自体识别原理。它可以总结为以下三个步骤: (1) 定义自我集:首先根据实际应用环境定义合适的自我集合。自我集合通常是由代表自我状态的字符串组成的集合; (2) 产生检测器:首先随机产生字符串, 如果该字符串集合与自我集合中的任一字符匹配则删除, 否则保留来作为检测器;如此循环迭代, 直到产生足够大小的检测器集为止; (3) 监视要保护的数据:如果需要保护的数据跟检测器集合中的任何一个检测器匹配, 则表明要保护的数据发生了异常变化, 从而起到了检测异常变化的效果。该算法描述如下: (1) 定义一组长度为L的有限字符串S表示“自己”; (2) 产生检测器集R, R中每个检因器与S中的串都不匹配; (3) 通过不断地将R中的检测器与S比较来监控S的改变。

3. 克隆选择算法

克隆选择是免疫系统的一种自然选择的型式。当B细胞被激活, 它就开始大量的复制克隆自己。在这个复制的过程中, 突变的概率是平常的9倍。这么高的概率将使得子代的所附着的抗体会与父代的不同, 从而加强了对不同抗原的亲和力。如果这些新B细胞能够与超过激活门限的抗原结合, 它们将被激活, 继续克隆复制下一代。因此, 具有高亲和力的B细胞更可能被克隆。换言之, 在B细胞与病原体的竞争中, 具有较高亲和力的B细胞就具有更高的适应性, 也就更容易被复制到下一代中, 这个过程就是克隆选择过程。

一个完整的免疫响应是由三个进化阶段组成的:通过基因库进化产生有效的抗体;通过阴性选择消灭不适合的抗体;通过克隆选择复制大量高效的抗体。这三个阶段是自组织的, 而不是由某一个中心器官预先下达指令来指导它们执行。可以将人体免疫系统的三个进化阶段运用于IDS, 在该系统中, 将正常的网络行为定义为“自我”, 将异常的行为定义为“非我”, 通过识别“自我”和“非我”来检测入侵。首先, 通过基因表达将产生大量的不成熟检测器;接着, 通过阴性选择, 只有那些成熟的检测器会保留下来, 这些成熟的检测器就是高效检测器;然后, 这些成熟的检测器一方面通过克隆选择被大量复制后, 传送到网络上用于检测“非我”的入侵行为, 另一方面, 这些成熟的检测器被基因优化后送到基因库, 形成基因库进化。

四、结束语

生物免疫系统拥有许多值得借鉴的显著特征, 借鉴生物免疫系统的计算机免疫系统将成为解决入侵检测问题的有效手段。

参考文献

人工降雨的原理 第2篇

人工降雨的发明，标志着气象科学发展到了一个新的水平，但遗憾的是，它也曾被用于非正义的战争。如1967～1972年，美国在侵越战争中出动了2600架次飞机进行人工降雨，目的在于截断“胡志明小道”运输线，结果造成山洪暴发，交通堵塞，其破坏效果超过了常规轰炸。当然，美国政府这种滥用人工降雨的行径受到了世界舆论的谴责。

人工降雨火箭人工增雨作业系统

WR-1B型增雨防雹火箭作业系统是目前经国家人影办唯一认定的火箭作业系统。它采用中国气象科学研究院BR-91-Y型高效碘化银焰剂，产生含AgI的复合冰核气溶胶，具有很高的成核率，其性能指标高于美国和独联体的同关产品。每颗火箭弹携带催化剂中含10克AgI，每克AgI在-10℃时的成核率可达1。81015个，比高炮炮弹携带的每克AgI成核率高6个数量级。在射角85度时，最大射高超过8公里，射角56度时，4公里以上高度的最大有效射程达8公里，比高炮覆盖面积大。发射架有8个定向架，一分钟内可连续发射8枚火箭，播撒弧长6公里以上，每分钟可播撒活化冰核数比高炮大4个数量级，影响区域比高炮大3个数量级。不含爆炸物品，工作过程不产生碎片，火箭上的保险装置保证火箭弹在运输、存放中的安全。采用降落伞式安全着陆系统，减少火箭残骸落地速度，无污染，使用维修简便。

人工神经网络继电保护原理分析 第3篇

摘要：文章根据现代控制技术的人工神经网络理论提出了一种保护原理构成方案，并分析了原理实现的可行性和技术难点。

关键词：神经网络；继电保护；模糊逻辑

中图分类号：TM773文献标识码：A文章编号：1006-8937（2011）22-0029-01

人工神经网络（Aartificial Neural Network，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家Warren S.Mcculloch和数学家Walth H.Pitts提出神经元数学模型。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，Back Propagation），它的网络结构及算法直观、简单，在工业领域中应用较多。

1人工神经网络理论概述

经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效。人工神经网络（ANN）和模糊逻辑（Fuzzy Logic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解。因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力。

BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。BP算法的神经网络图形，设网络的输入模块为p，令其作用下网络输出单元j的输出为Opj。如果输出的希望值是Tpj，则其误差为Dpj=Tpj-Opj。若输入模块的第i个单元输入为Ipi，则就输入模块p而言，输入接点I与输出接点j之间的权值变化量为：ΔWpji=zDpjIpi，式中，z是某一个常数。当反复迭代该式时，便可使实际值收敛于目标值。其中隐含层既有输入网线，又有输出网线，每一个箭头都有一定的权值。

2人工神经网络的基本特征

人工神经网络具有四个基本特征：其一，非线性。非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。其二，非局限性。一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。其三，非常定性。人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。其四，非凸性。一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。

3神经网络型继电保护

神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。装置可直接取线路及其周边的模拟量、数字量，经模式特征变换输入给神经网络，专家系统对运行过程控制和训练，按最优方式收集数据或由分析过程再收集控制，对输出结果进行评估，判别其正确性、一致性，做出最终判决，经变换输出，去执行机构。即使是新型保护，也会存在着某些功能模块不正确动作的可能，这时可以过后人为干预扩展专家系统数据库或由专家系统做出判别，作为训练样本训练ANN的这部分功能模块，改变其某些网线的权值，以使下次相同情况下减少不正确动作的可能。

下面是一个简单的ANN线路保护例子。当电力系统故障时，输电线路各相、各序电压、电流也随之发生变化，特别是故障后故障相的相电压和相电流，以及接地系统在接地故障的零序电流的变化有明显的代表性。比如选输入层神经元个数为14个，分别是Uar，Uai，Ubr，Ubi，UcrUci，Iai，Ibr，Ibi，Icr，Ici，Ior，Ioi（下标r和i分别代表实部与虚部），选定输出层神经元个数为5个：YA（A相），YB（B相），YC（C相），YO（接地），YF（方向），各输出值为1，代表选中；输出值为0，代表没选中（YF为0代表反向）。这5个输出完全满足线路方向保护的需求（没考虑正向超越），隐含层神经元数目为2N+1（N为输入层神经元数目）。训练样本集包含14个输入变量和5个输出变量，而测试样本集中的样本则只有14个输入变量。

在正常状态下，令h∠δ=（EM）/（EN），h=1，δ随负荷变化，取为－60°，－50°，－40°，－30°，－20°，－10°，0°，10°，20°，30°，40°，50°，60°，有13个样本。故障情况下，δ取值为－60°，－30°，0°，30°，60°，故障点选反向出口（－0 km），正向出口（+0 km），线路中部（150 km），线末（300 km）。接地电阻Rg取值0 Ω，50 Ω，100 Ω，150 Ω，200 Ω，相间电阻Rp取值0 Ω，25 Ω，50 Ω，则共有5×4×（5+3+5×3+3）=520个样本。每个样本的5个输出都有一组期望的输出值，以此作为训练样本。而实际运行、故障时，保护所测到的电流、电压极少直接与样本相同，此时就需要用到模糊理论，规定某个输出节点。如YA（A相）在某一取值范围时，则被选中。

4结论

本文基于现代控制技术提出了人工神经网络理论的保护构想。我认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。

一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。

参考文献：

[1] Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology[J].IEEE Trans,1994,10(3):371-377.

人工免疫原理 第4篇

关键词：人工免疫原理,Agent,网络安全,入侵检测,克隆选择

0 引言

近年来, 电子商务发展迅猛, 人们的生活也越来越离不开网络。在网络使用过程中, 会伴随着许多重要信息, 如:银行账号密码、个人身份信息、电话号码、电子邮箱等。这些信息的保密, 形成了一个重要的概念网络安全。

威胁网络安全的行为主要是网络攻击, 网络攻击可分为被动攻击和主动攻击。被动攻击是指通过系统正常的外部接口, 收集不属于自己的信息或发送非正常的数据, 如:嗅探、欺骗、DDoS等。主动攻击是指非法侵入系统内部, 盗取重要信息或者进行危害性高的操作, 如:木马、蠕虫、病毒等。

随着网络的高速化、庞大化、复杂化和攻击手段的日益高明、隐晦、多变化, 研究保卫网络安全的入侵检测系统势在必行。入侵检测是通过收集网络中的信息进行分析, 从而发现网络或系统中是否有异常行为的一种技术, 能够帮助系统应对网络攻击。

1 免疫系统与入侵检测系统的相似性

免疫系统能够识别“自我”与“非我”成分, 并将非我成分排除, 系统内部自组织、自协调, 具有智能性。而入侵检测系统则是一种对网络传输进行即时监视, 在发现可疑传输时发出警报或者采取主动反应措施的网络安全设备。正常的网络事件类似于自我成分, 非正常的网络事件类似于非我成分, 免疫系统和入侵检测系统不谋而合, 都是识别非我成分。

经过简单抽象, 在人工免疫系统中可构建四类对象。首先是系统的边界, 即系统环境, 负责其它成分间信息的提供;然后是自我成分的模拟, 其中抗体和自体都属于自我成分, 抗体是主要演化对象;最后是抗原, 属于非我成分。

通过模仿生物免疫系统, 将人工免疫原理与免疫算法以及面向Agent设计技术相结合, 用于构建网络入侵检测系统, 能够获得如生物免疫系统般的智能性、通用性和自治性等特点, 从而提高入侵检测系统的效率, 有着无可比拟的发展前景。

2 分布式Agent系统

2.1 Agent系统综述

Minsky首次提出了Agent的概念, 他认为社会中的某些个体经过协商之后可求得问题的解, 这些个体就是Agent。他还认为Agent应具有社会交互性和智能性。在分布式计算领域, 人们通常认为Agent是在分布式系统中持续自主发挥作用的、活着的计算实体, 并具有如下4个特征:

(1) 自主性:Agent具有属于其自身的计算资源和局部于自身的行为控制机制, 能够在没有外界直接操纵的情况下, 根据其内部状态和感知到的环境信息, 决定和控制自身的行为。

(2) 交互性:Agent能够与其它Agent用Agent通信语言实施灵活多样的交互, 能够有效地与其它Agent协同工作。

(3) 反应性:Agent能够感知所处的环境, 并对相关事件作出适时反应。

(4) 主动性:Agent能够遵循承诺采取主动行动, 表现出面向目标的行为。

2.2 免疫系统和分布式Agent系统

免疫系统没有中央控制器, 也不依赖任何中心控制, 但具有分布式并行处理任务的能力, 能够通过分布全身的免疫细胞在局部采取行动的智能 (免疫记忆、免疫耐受等) , 并通过起交流作用的化学信息构成网络, 进而形成全局观念。若将免疫系统当中的实体都看作Agent, 则可以认为免疫系统是个分布式Agent系统。

2.3 入侵检测系统和分布式Agent系统

引入分布式Agent系统后, 入侵检测系统的组件与各种Agent的映射关系如表1所示。

其中, 每个主机Agent包含一个或多个嗅探Agent、检测Agent和响应Agent, 内部形成免疫系统, 具有单独的检测能力。而整个分布式Agent入侵检测系统由多个主机Agent组成, 这样就构成了一个更大的免疫系统, 本文称其为基于人工免疫原理的分布式Agent入侵检测系统。

3 基于人工免疫原理的分布式Agent入侵检测

3.1 系统框架模型

网络中的任意一台主机都可以携带主机Agent, 主机Agent之间的通信主要用于传送检测Agent, 系统框架模型如图1所示。

以上设计的用意在于:

(1) 当新的主机Agent加入时, 可以通过简易拷贝其它主机Agent的检测Agent实现快速上线。

(2) 当系统中某主机Agent被未知攻击攻陷时, 拥有其检测Agent副本的其它主机Agent就可以通过调节检测Agent, 发现未知攻击, 修补防护漏洞。

(3) 检测Agent的有效性直接关系着入侵检测系统的检测能力, 其主要任务就是保持自己的优秀状态, 通过在主机Agent间不断地移动和学习, 变得更能适应环境。

3.2 检测Agent生成算法

Agent间的通信主要通过主机Agent提供的黑板系统进行, 这使得Agent间的信息更容易共享。检测Agent本质上是分类问题中的分类器, 在免疫系统中则是抗体。检测Agent生成算法使用免疫系统中的实体进行描述, 其流程如下:

Step1:数据预处理。将训练数据进行编码, 统一数据格式。

Step2:初始化。用自我数据初始化自体, 非我数据初始化抗体和抗原。

Step3:抗体突变。抗体先进行突变操作, 通过较高的突变率搜索解空间。然后计算自身适应值, 抗体中有两个适应值:一是抗体与自体间的正向适应值, 用于衡量抗体的误检率;二是抗体与抗原间的反向适应值, 可以衡量抗体的检测率。计算两个实体间的亲和度, 若得出的亲和度大于亲和度阈值, 则认为两者亲和, 适应值增加。比较抗体间适应值大小时, 应先比较正向适应值, 后比较反向适应值。

Step4:抗体学习。抗体随机选取一个比自己适应值高的优秀抗体进行学习。先找出编码中所有相异的位置, 随机选择其中一个位置, 从该位置开始, 使用优秀抗体的编码替换自己的编码, 遇到相同的编码时, 停止学习。重新计算自身适应值, 若比之前差, 则调高亲和度阈值;若比之前好, 则调低亲和度阈值。亲和度阈值影响着抗体在解空间的覆盖范围。亲和度阈值越高, 覆盖范围越小, 误检率越低;亲和度阈值越低, 覆盖范围越大, 检测率越高。

Step5:抗体成熟。若正向适应值不为0, 跳过本步骤;若正向适应值为0, 则抗体成熟。成熟抗体生成克隆抗体, 让克隆抗体参与Step3和Step4。如果修改后的克隆抗体不如原抗体优秀, 则删除克隆抗体;如果比原抗体优秀, 则用克隆抗体替换成熟抗体。这使得成熟抗体还有进化的可能, 并且只会向更好的方向进行。

Step6:结束条件。判断成熟抗体是否能够检测所有的抗原, 如果能, 算法结束;如果还不能, 跳转回Step3。

4 结语

本文将人工免疫原理与面向Agent设计技术相结合, 提出了一种系统模型, 并对核心算法流程进行了阐述。但是, 所建模型仍较简单, 设计出更适合用户使用的网络入侵检测系统, 将是下一步的研究方向。

参考文献

[1]覃俊, 易云飞, 李林.改进k均值聚类算法在网络入侵检测中的应用研究[J].中南民族大学学报:自然科学版, 2008, 3 (27) :75-78.

[2]黄潜, 覃俊, 易云飞.基于移动Agent的入侵检测系统研究[J].软件导刊, 2008, 7 (6) :188-190.

[3]易云飞, 张志平, 蔡永乐, 等.k-means算法在网络入侵检测中的应用研究[J].软件导刊, 2013, 12 (2) :124-126.

[4]袁刚.人工免疫系统及其算法研究[J].软件导刊, 2013, 12 (2) :35-37.

马克思原理解释人工智能 第5篇

伴随着人类把最新的计算机技术应用于各个学科，对这些学科的认知也进入了日新月异的发展阶段，促使大量的新的研究成果不断涌现。例如： “人机大战” 中深蓝计算机轻松的获胜、人类基因组排序工作的基本完成、人类大脑结构性解密、单纯器官性克隆的成功实现等等。随着计算机这个人类有史以来最重要的工具的不断发展，伴随着不断有新理论的出现，人类必须重新对它们进行分析和审视。由于近几年生物学和神经生理学等许多新的研究成果的出现，对于人工智能与人类智能之间的关系引起了人们更多的思考。本文以比较的方法分析人类智能与人工智能二者的异同，并从马克思主义哲学的角度再次对人工智能与人类智能的进行了分析。

一、人类智能与人脑思维

我们知道所有的动物都有中枢神经控制系统，有了这一套系统也就有了思维。思维不同的生物之间具有不同的功能，在低等动物中思维的作用更多的是本能控制，高等动物除了本能控制以外还有为适应环境所工作，人类思维则具有了改造环境所进行的工作。人类的思维起源于对周围事物的认识，最初是形象思维过程，等人们发现各个事物之间的相互关系之后，就开始了逻辑思维过程，随着对事物之间相互关系的分门别类和对周围世界认识的加深，又有形式逻辑，数理逻辑，抽象逻辑等等。人类自身的智能是人类思维活动中表现出来的能力，大脑是人类认知和智能活动的载体，思维是大脑对客观事物的本质及其内在联系的概括和反映。人类智能的也就是人类思维的结果。但是直到现在，科学家对于人脑的结构以及人脑的思维过程一直处于研究阶段，当然，随着时间的推移和科学技术水平的提高，有一天人类应该会破解自身的思维过

程。

二、关于人工智能

那什么是人工智能呢？ “人工智能” 一词最初是在 1956 年 Dartmouth 学会上提出的。人工智能（Artificial Intelligence，简称AI），是计算机学科的一个分支，目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能就其本质而言，是对人的思维的信息过程的模拟。对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出 “类人脑” 的机器，这个当然不可能，因为前边说过，人类对于自身的大脑以及思维过程尚没有一个清楚明确的认识； 二是功能模拟，就是撇开内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是 对人脑思维功能的模拟，也是对人脑思维的信息过程的模拟。

三、计算机的 “思维” 与人脑思维

既然人工智能的基础是计算机，也就是要用计算机来充当人脑的角色来实现与人类智能相类似的人工智能，那么目前计算机的结构或工作过程是什么呢？目前通用的计算机的系统结构仍然没有摆脱冯·诺依曼模型,它由运算器、控制器、存储器和输入设备和输出设备组成。输入设备将数据和指令传送到存储器中,控制器负责在存储器中找出待执行的下一条指令并执行，执行的结果放入存储器中，并记忆存储地址，再读出下一条存在存储器中的指令，周而复始，直到遇到结束指令，就将结果通过输出设备输出。可见这一模型的工作过程是死板教条的。在基于冯 · 诺依曼模型的基础上，计算机的工作离不开程序，而程序软件的基础是算法，也就是用算法来模拟人脑思考、分析以及判断等思维过程。前边所说的指令，其实就是算法的具体描述和在计算机中的实现。在计算机软件程序设计中，算法是一组有穷的操作规则，其具有几个特征： ①确定性： 每一个步骤的结果都是确定的； ②可行性： 每一个步骤可在有限时间内完成； ③有穷性： 可在有限步骤内停止。可见对于计算机只要算法确定，通过有限步骤的操作，结果就可出来，而且结果是唯一确定的。而我们知道，对于人脑，给出问题后，不同的人会有不同的分析与思维结果，而对于同一个人在不同的情况也可能会做出不同的分析判断，结果也就可能会多样。人的创造性思维活动包括学习、抉择、尝试、修正、推理诸因素。例如，选择性地搜集相关的经验证据，在不充分信息的基础上做出尝试性的判断或抉择，不断根据环境反馈调整、修正自己的行为，由此达到实践的成功。于是，在全面地研究人的思维活动的同时，并着重研究人的思维中最能体现其能动性特征的各种不确定性推理，由此发展出的现代逻辑思维就具有更强的可应用性。人工智能是要模拟人的智能，但人工智能不能实现对体现人的智能特征的能动性和创造性进行真正模拟，这正是计算机的分析判断与人脑的思维的本质的区别。的发展战略提出预算目标，并将其进行分解下达给各子公司，然后各子公司结合自身情况编制各自的预算草案，最后由预算管理委员会对各子公司的预算草案进行汇总和审核，并召集各子公司的经营者进行预算的协调与调整，最后由预算管理委员会审批通过。在预算的执行过程中，集团的各级预算部门可通过建立严格的工作制度和实施适当的激励措施来保证各级预算目标的完成。若在预算的执行过程中出现需要调整的情况，则须经集团公司的预算管理委员会批准。预算管理委员会还应制定相应的标准来对各子公司的预算完成情况进行考核，并据以进行奖惩。

2.1.3实行财务总监委派制和财务人员资格管理制度。集团公司为了实现对子公司的财务监控，可依据产权关系，以出资人的身份向其全子公司和控股子公司派出财务总监。财务总监应是子公司董事会成员，参与公司重大事项的决策是母子公司之间信息沟通的桥梁。为了保证其相对于子公司的独立性，财务总监的工资、奖金和津贴应由集团公司统一管理和发放，而且应该实行财务总监定期轮岗制。实行财务总监委派制，不但可以使集团公司的整体战略方针在子公司得到较完全的体现和贯彻，而且能够规范子公司的财务活动，确保财务信息的真实和准确，有利于集团整体战略目标的实现。母公司应对子公司财务人员实行资格管理制度，由财务总监审查其上岗资格，并报母公司备案。子公司为了开展财务工作，还应有其自己的财务主管，该财务主管对子公司的经营者负责，并不受财务总监的直接领导。除了三种方式以外，集团公司还可通过使用集中式财务软件或强化集团内部审计制度等方式加强对各子公司的财务控制，以实现集团财务的相对集中管理。

3实施集中财务管理的现实意义

企业要正常发展，集团整体利益与下属子公司及其管理者的利益保持一致，所以企业集团财务宜集中管理。总之，通过以上的综合调研和分析,集中财务管理模式有助于企业集团统领全局，而又兼顾效率； 既保证了子公司财务部门一定的独立性，又保证了财务信息的真实、准确。因此企业建立一个全面、高效、以全面预算管理为核心的集中财务管理体系势在必行。■

四、人工智能的哲学思考

虽然人工智能有强大的记忆力和信

息的快速搜索能力、准确的执行能力等优

点，但人工智能不能 “自我” 学习，计算机 的工作过程必须依靠事先的预设程序。如果说学习能力由于过于复杂的程序设 计的困难不可实现，但在理论上被认为可 能，但人工智能仍有一点不可替代人脑，就是想象力。同时人工智能没有属于自 己的灵魂。它的思维本身是程序，人工智 能也只能用来辅助人类的大脑。这个世 界是一个庞大的无止境的信息世界，人利 用感官收集情报，由大脑进行分析整理，而这个过程是用计算机的程序不能复制 的。因为我们自己都不清楚，大脑是怎样 工作，思维的过程又是什么。在这个前提 下，模拟人脑进行思维的人工智能也只是 对一个 “黑匣子” 的外部表现或表面进行 模拟，从根本上就不可能代替人类思维，再高级的人工智能也只能是替代人做一 些工作而已。

另外，辩证唯物主义不同意那种机器 能够独立地思维、机器可以比人更聪明的 观点，很重要的理由在于思维是生物长期 进化、特别是社会活动的产物。计算机中 能不断繁殖和复制自己的人工生命如计 算机病毒,最初也是由人类制造的，同时 人类制造的杀毒工具同样能将计算机病 毒消灭。计算机的世界完全是由科学家 们设计创造的，是人脑的结晶。对于诸如 人机对弈、破解密码之类的看似很困难的 任务而言，计算机系统可以超过人，然而 对一些最通常的通过由长期进化形成的 认知功能，比如视觉和听觉，经过几十年 努力发展的人工智能系统还不如婴儿的 视觉和听觉能力。大脑的智力活动必须 从进化的角度、从社会和历史发展的约束 的角度来研究来认识，而这些人工智能是 没有的。

五、结束语

人工智能只能作为人的工具的延长

而不可能取代人的大脑的工具论，人工智 能诞生的初衷是作为人类工具的延长，其 作用和发展从其诞生的那一天就已经确 定，人工智能只能作为人类智能的附庸和 补充，而不可能对人类智能构成挑战，更 不可能取代人类智能。当然随着人类对 人脑的功能会不断地进一步认识，人工智 能也会不断的近似于人类智能。但即使 人工智能再不断的进化和发展，计算机与 具有社会性的人的大脑仍是无法比拟的，计算机仅是人脑的延伸而已，高度智能化 的计算机再怎么发展也只是人类的工具，人工智能作为人类智能主体客体化的产 物，其作用和功能仍将受到人类智能的制 约与支配。

讨论人工智能，并不能替代人工智能 的研究，但可以使人工智能研究者不致迷 失方向，希望人工智能研究者不要忽略人 工智能与哲学的联系和基本的辩证思维 方法。参考文献

[1] 国家煤炭经济研究会.《煤炭经济

研究》.北京.煤科总院经济与信息所.2004.[2] 中华人民共和国财政部.《会计电 算化管理办法》.北京.2000.[3] [2]张瑞君.网络环境下会计实时控

制[M].北京： 中国人民大学出版社，2006.[4] 周以真.计算思维[J].中国计算机 学会通讯,2007,(3).[5] 周晓东,刘雪梅.信息时代的计算 机人工智能[J].硅谷, 2010,(1).[6] 杜文静.人工智能的发展及其极限 [J].重庆工学院学报,2007,(1)．

人工免疫原理 第6篇

关键词：人工免疫,进化学习,欧几里得距离,故障诊断

0引言

生物免疫系统为了适应异敌的多样性和环境的复杂性采用了单纯冗余策略。这是一个具有高稳定性和可靠性的方法。免疫系统是由107个免疫子网络构成的一个大规模网络,机理很复杂,尤其是其所具有的信息处理与机体防御功能,为工程应用提供了新的概念、理论和方法。

1诊断模型的理论基础

设备或系统的状态可以使用一定的数据模式(如特征向量)来描述。从监控目标运行数据中采取描述工作状态的N维归一化状态空间向量V=(V1,V2,,VN),0Vi1,i=1,2,,N,是系统的状态特征向量[1]。监控目标正常工作状态下所获取的状态特征向量就是自己模式串,可以简略的称为自己串,记作Vs,Vs=(Vs1,Vs2,,Vsn),0Vsi1,i=1,2,,N。监控目标异常工作状态下所获取的特征向量就是非己模式串,可以简略的称为非己串,记作Va,Va=(Va1,Va2,,VaN),0Vai1,i=1,2,,N根据免疫应答机制,自己串可以看作是首类抗原,所构成的集合记是G1={Vs1,Vs2,,Vsk}。非己串可以看作是第二类抗原,所构成的抗原集合是G2={Va1,Va2,,VaL}。此外,M维状态空间SM中,由M个N维抗体向量(即:状态检测归一化向量):Bi=(bi1,bi2,,biN),(0bij1,i=1,2,,M,j=1,2,,N)所构成的抗体集合为D={B1,B2,,BM},叫做状态检测器。

系统针对外部来袭抗原的免疫过程,即就是系统的抗体集合进化学习的过程,这其中抗原与抗体或抗体与抗体之间的识别匹配是跟据它们亲和力的大小进行的,即:

设X=(x1,x2,,xN)和Y=(y1,y2,,yN)都是状态空间上的N维归一化向量,X与Y之间的亲和力就是:

undefined为X与Y间的欧几里得距离,即undefined。

2基于免疫原理的故障检测与诊断系统模型

20世纪末,Ishida提出故障诊断免疫学习算法[2]。DeCastro提出了aiNet进化学习算法[3],这个算法的主要阶段包括:初始群体产生、个体克隆和变异、个体成熟等。在此之上,Costa Branco等人又提出一个拥有双模块的人工免疫故障监测诊断系统及其相应的算法[4]。

设备或系统的运行状态可以使用一定的数据模型(例如特征向量)来描述。人工免疫可以先对原始数据模式(即抗原)进行学习和记忆,生成初始抗体(即检测器);再通过进一步对抗原的刺激,让抗体变异和成熟。一方面,成熟抗体(检测器)可用于对设备工作状态进行异常检测;另一方面,成熟抗体储存了系统不同异常工况下的典型数据模型,对这些模型进一步分类或标记,其结果在设备或系统的工况进行深度监测或故障诊断方面都可以很好的应用。

基于以上理论基础上,可以构造一种建立在免疫原理上的故障诊断系统模型,如图1所示。

由图1知,模型是由初始检测器生成、进化学习、异常检测、标记故障类型、故障诊断五大模块和设备的相关故障信息库构成。在这个模型中,对设备或系统工况的数据模型是用一个N为特征向量表示的。对设备或系统工况的检测分成两个层次进行,1) 对系统进行异常检测,报告系统是否存在异常。2) 对工况,综合故障信息库的数据模型确定故障类型及标记和诊断故障部位等。

进行异常检测的前提是要建立抗体库,通过抗体库的建立,记忆了系统不同异常的状态下的典型数据模式从而作为异常检测器被用于系统测试,而其抗体库相当于故障诊断中的故障库,在他里面包含了各种典型故障的数据,在线检测数据通过和他进行比较,也可以说是亲和力的计算(如第1节所述),从而得出系统是否异常。

成熟抗体(异常检测器)的建立可以简单概括为两类,1) 以描述系统正常工况的自己串作为首类抗原,以阴性选择的方式产生原始抗体。2) 以描述系统异常工况的非己串作为次类抗原,用作刺激抗体变异、克隆进化以使之成熟。

在这里参照着模型具体讲述一下异常检测器的建立或者是抗体的进化学习机制:

a) 原始抗体产生

通过首类抗原免疫应答的反应生成原始抗体,为确保抗体对状态空间的有效覆盖,先使用随机方式产生一定数量的原始抗体,使用阴性选择法则,将其与首类抗原中的个体逐个进行亲和力计算,若其间的亲和力大于阈值,则排除该随机向量,另产生一个随机向量取而代之,直至所产生的随机向量与首类抗原中的表征向量都不匹配为止。

b) 抗体变异和克隆进化

原始抗体并不能直接作为异常检测器,还必需要经过非己串的输入从而刺激原始抗体产生变异和克隆,使之能够转化为成熟的抗体以作为异常检测器,用来判断系统的工况是否异常。

抗体变异与克隆进化的方式是:非己串输入,以非己串为中心,求出非己串与各抗体向量间的距离,即就是进行亲和力计算。这样就以非己串为中心,按各抗体向量与中心的距离将它们划入α,β,γ三个不同的区域,如图2所示。当抗体向量划入远离中心的区域α时,可以认为它们之间亲和力为“0”,抗体向量保持不变。若抗体位于γ区域,则进行克隆操作,将其非己串看作是内部抗体的一部分,用非己串取代γ区域中的其他抗体。对于位于区域β中的抗体则进行一定程度的变异。当相近或相同的次类抗原在同一区域内频繁出现时,将引发抗体在这个区域聚类,在聚类中心先定义一个特别提示码,将这个特别提示码提交给检测器集合,再进一步确定其所对应的数据模式类型并对其进行标记后,提供给数据模式分类器。

若全部原始检测器向量尽数落在区域α中,则说明任何原始抗体与抗原都不具备亲和力,这时便会有两种可能发生:将输入的抗原逐一与自己串集合中的向量比较,1) 若抗原与其中的某一个向量匹配,那么判定输入就为自己模式,且检测器保持不变;2) 若抗原与其中的全部向量均不匹配,则应在区域γ内某一随机位置克隆出一个抗体向量。且为避免检测器总数因为克隆新向量而增加,便应该在克隆出一个新抗体向量的同时,随机地选择一个检测器向量让其死亡,这样就确保了检测器总数不随新向量克隆增加。

3基于动态的免疫故障诊断流程

动态免疫故障诊断是引入在线检测数据通过异常检测器报告系统的异常状态,确定设备的故障类型,给出诊断结果。

当在线数据输入时,先通过异常检测器判断系统是否异常,如果在线数据与异常检测器中的某个抗体发生匹配,则很自然就得出故障类型,从而给出诊断结果。当在线数据与异常检测器不匹配时,首先则判断抗体是否与自己串匹配,如果匹配时,则判断为正常状态,如果不匹配,其是否与记忆抗体集匹配。如与一个及以上记忆抗体集匹配,则计算故障隶属度,根据最大隶属度原则诊断故障类型,若待检抗原与记忆抗体集都不匹配,诊断系统就会自动记录该抗原,并提请专家人工分析。如专家确诊为新抗原,则将其加入训练抗原集,通过进化学习产生仅针对此类抗原的新记忆抗体集,以实现记忆抗体库的整体进化、更新,当此类抗原再次出现时系统将做出正确识别。因为已掌握的训练样本不可能覆盖所有正常状态和故障模式下的征兆,如确诊为以前未掌握的正常状态或已知故障的抗原,则相应作自我集或记忆抗体集进化处理,方法与自我集或记忆抗体集构建方式类似。抗体库自动记忆和学习过程就是故障库的不断自我更新,自我学习,只有这样才能使得故障库越来越强大,能够更好的识别设备的故障。图3就是基于动态的免疫故障诊断流程图。

4故障诊断实例[3]

a) 提取特征向量的方法

利用测振传感器从C6136型车床传动齿轮箱主轴轴端测取振动波形。对振动信号进行低通滤波处理后进行采样,取采样频率为2500Hz,并以每200个采样值设为一组提取特征参数:

1) 振幅信号的均方根值:

undefined

归一化处理后得:

undefined

2) 功率谱密度函数积分值。对振动信号进行一维离散快速傅里叶变换(One-dimensional discrete FFT),得到功率谱密度函数:

undefined

其中,undefined。

再对功率谱密度函数xx(K)离散积分,并作归一化处理,便可得到一个可以反应振动信号频谱分布的特征参数GLP*。RMS*和GLP*两个特征值就可以组成一个二维归一化特征向量,用来反应齿轮箱的工况。

b) 实验结果

仿真结果如图4、5、6所示,图4是由初始检测器产生的初始检测器向量(“+”所示)及自己串(“”所示)的分布状况;图5为检测器向量群经12个次类抗原(非己串)刺激产生变异进化后检测器向量(“+”所示)与特别抗体(“*”所示)的分布情况。由图5可看出,在标出的3个圆圈区域中出现了明显的检测向量聚集,以及特别抗体在区域的聚类。这就说明输入的非己串可以分为3种类型。因为进化学习的作用,检测器结构得以优化;检测器总数由最初的400个下降到381个,这就提高了系统检测效率。将齿轮箱在正常工况下的20组特征向量中的10组用于检测器学习训练,另外10组用作测试;其在几种异常工况下的24组特征向量中的12组用于检测器学习训练,另外12组用作测试。训练、测试的数据及测试结果见表1。得到异常检测的准确率是95.45%。异常样本出自3种不同故障数据,针对进化学习的结果形成的3个区域(图4)进行标记后,应用于故障诊断测试,得到在针对12个不同非己串进行的测试中,有11个被正确地识别出故障类型,正确率达到91.67%[5]

5结论

理论分析及仿真结果表明,本文提出的进化学习模型以及其相应算法,能够对反映被检测设备或系统工况的数据模式进行动态自适应学习,学习结果可以应用在设备或系统工况的异常状态检测以及故障诊断之中。本文所提出的进化学习机制,能够对检测器群体分布和总量进行动态优化,对数据模式实现聚类,可以提高异常检测准确率并获得较强的故障诊断能力。这种模型及其算法还可以应用在各种监控方面,例如诊断系统在线学习与检测。

参考文献

[1]陈强,郑德玲.一种基于人工免疫的数据模式进化学习模型及其应用研究[J].计算机工程与应用,2005,41(20):40.

[2]ISHIDA Y,MIZESSYN F.Learning algorithms on an immunenetwork model:application to sensor diagnosis[C]//Proceedingsof International Conference on Neural Network.wuhan,1992:33.

[3]DE Castro-l n,ZUBEN F.An evolutionary immune network fordata clustering[C]//Proceedings of the IEEE SBRN on ArtificialNeural Networks.Brazil:IEEE Computation,2000:84.

[4]COSTA B P,DENTE J A,VILELA R M.Using immunologyprinciples for fault detection[J].IEEE Trans IND Electr,2003,50(2):362.

探讨人工鱼群算法的结构和原理 第7篇

关键词：人工鱼群,算法最优解,收敛性

人工鱼群算法是一种基于动物行为的寻求全局最优的新思路,是行为主义人工智能的一个典型应用。算法利用了鱼的觅食、聚群和追尾行为,从构造单条鱼的简单底层行为做起,通过鱼群中各个体的局部寻优行为,最终在群体中使全局最优值突现出来。该算法具有良好的克服局部极值、取得全局极值的能力,并且算法的实现无需目标函数的梯度值等特性,故其对搜索空间具有一定的自适应能力。本文就是针对人工鱼群算法,研究其结构及原理。

1 人工鱼群算法的结构剖析

鱼类的活动中,觅食行为和追尾行为等相关行为与寻优命题的解决有着较密切的关系,如何利用简便有效的方式来构造并实现这些行为将是人工鱼群算法实施的主要问题。

1.1 基本定义

人工鱼个体的状态可表示为向量X=(x1,x2,xn),其中Xi(i=1,,n)为欲寻优的变量;人工鱼当前所在位置的食物浓度表示为Y=f(x),其中Y为目标函数值;人工鱼个体之间的距离表示为dij=‖Xi-Xj‖;Visual表示人工鱼的感知距离;step表示人工鱼移动的最大步长;δ表示拥挤度因子[1]。

1.2 觅食行为

人工鱼的觅食行为的基本流程如图1所示。

人工鱼在当前位置Xj的邻域中遍历每一个邻居,找到其中食物浓度最高(在进行极大值寻优时为最高,进行极小值寻优时为最低,在本节中以极大值寻优为例)的邻居,并判断该邻居是否在禁忌表中,如果不在禁忌表中,则将该网格点插入禁忌表,人工鱼移动到该网格点,并将该点的食物浓度与公告板信息进行比较,如果优于公告板,则更新公告板状态;如果Xi在禁忌表中,则判断是否满足藐视准则,如果不满足藐视准则,则重新初始化当前的人工鱼,以便在更广阔的范围内进行寻优,相当于在同样的存储空间中增加了进行寻优的人工鱼个数。

1.3 追尾行为

设人工鱼当前位置为Xj,在其视野范围内寻找目标函数值最优的伙伴xi,如果该伙伴所处的位置具有较高的食物浓度,且不太拥挤,则人工鱼从当前位置向该伙伴移动,否则执行觅食行为[2]。

1.4 最优解的获取

基本鱼群算法获取的仅仅是系统的满意解域,无法获取精确或较精确的最优解。通过基于网格划分策略的引入,可以有效的解决最优解的获取问题。由于在改进算法中使用了禁忌搜索算法,在寻优的过程中减少了大量无用的计算,提高了寻优的速度,强制不满足藐视准则的人工鱼进行初始化,能够在系统的解空间上进行更加全面的搜索,同时充分利用了鱼群的公告板信息,在搜索过程中,如果公告板信息维持一定的次数没有更新,则可认为公告板的信息存在于系统的满意解域中。如果公告板历史最优解xi相邻的两个对称网格点xi和xi-1到xj的坡度相等,则xi即为系统的精确最优解;如果坡度不相等,则令:

即以其邻居确定的变量向量取值范围重新进行网格划分,直到max(grid Lengthi)<(i=1,2,,n),这样就可以获取系统的精确或较精确的最优解。

2 人工鱼群算法的原理描述

2.1 算法思想

鉴于以上描述的人工鱼行为,每个人工鱼探索它当前所处的环境状况和伙伴的状况,其实伙伴的状况相对于其自身应该也是归属于环境的状况,从而选择一种行为,最终,人工鱼集结在几个局部极直的周围。根据所要解决的问题性质,对人工鱼当前所处的环境进行评价,从而选择一种行为。人工鱼首先模拟执行聚群、追尾行为,然后评价行动后的值,选择其中最大者来实际执行,缺省行为方式为觅食行为。人工鱼群算法的算法思想描述如下:

Stepl:若所要解决的问题的搜索域比较大,则“缩小”搜索域,然后在搜索域内随机产生N个人工鱼个体,若所要解决的问题的搜索域不大,则直接在搜索域内随机的产生N个人工鱼个体,组成初始群体;

Step2:分别计算各人工鱼状态的食物浓度,选择最大食物浓度的人工鱼个体状态记录到公告板内;

Step3:各人工鱼分别模拟改进聚群行为和追尾行为,缺省行为为觅食行为,然后选择最优的行为作为实际执行行为,并与公告板记录进行比较,若优于公告板记录,则以自身替换公告板记录;

Step4:判断是否满足终止条件,若满足,则输出公告板记录,算法终止;若不满足,则执行Step3。

2.2 仿真实例

本文研究的仿真函数如下:

该函数有无穷多个极值点,但只有一个(0,0)为全局最小点,函数值为0。该函数的特点是在其最小值点附近存在一个圈谷,其取值为0.009716,从而,在优化中非常容易陷入局部极值陷阱,一般优化方法对此函数很难奏效。因此,该函数已成为测试进化算法效能的一个标准函数,很多研究中被采用。

本文分别采用人工鱼群算法对该函数进行优化,对结果进行比较。取不同的随机初始群体对函数进行3O次优化,在给定世代内,若群体中的最优个体的函数值达到给定的阈值,认为算法成功收敛。其中算法中的参数取最大迭代次数为200,阈值为0.001,算法中的参数N=100,Trynumber=30,δ=0.618,对于人工鱼群算法取最优参数Visual=10,Step=0.8,计算结果如表1。

然后再用人工鱼群算法对函数进行3O次优化,每次优化均迭代100次,得到3O个最优函数值的平均值及其与函数实际最优值之间的平均误差和标准差,结果见表2。

下面给出的部分程序算法描述所示。通常,由AFiulot来初始化AF为随机分布在变量域内;算法的终止条件可以根据实际情况设定,如通常的方法是判断连续多次所得值的均方差小于预期的误差。

2.3 算法收敛性

对于一种算法,其收敛性往往是人们所首要关心的问题。在人工鱼群算法中,人工鱼的觅食行为奠定了算法收敛的基础,聚群行为增强了算法收敛的稳定性和全局性,追尾行为则增强了算法收敛的快速性和全局性,其行为评价也对算法收敛的速度和稳定性提供了保障。总的来说,算法中对各参数的取值范围还是很宽容的,并且对算法的初值也基本无要求。算法中,使人工鱼逃逸局部极值实现全局寻优的因素主要有以下几点:

1)觅食行为中抑number的次数较少时,为人工鱼提供了随机游动的机会,从而能跳出局部极值的邻域。

2)随机步长的采用,使得在前往局部极值的途中,有可能转而游向全局极值,当然,其相反的一面也会发生的,就是在去往全局极值的途中,可能转而游向局部极值,这对一个个体当然不好判定他的祸福,但对于一个群体来说,好的一面往往会具有更大的机率。

3)拥挤度因子的引入限制了聚群的规模,只有较优的地方才能聚集更多的人工鱼,使得人工鱼能够更广泛的寻优。

4)聚群行为能够促使少数陷于局部极值的人工鱼向多数趋向全局极值的人工鱼方向聚集,从而逃离局部极值;令追尾行为加快了人工鱼向更优状态的游动,同时也能促使陷于局部极值的人工鱼向趋向全局极值的更优人工鱼方向的追随而逃离局部极值域。

3 小结

总之,人工鱼群算法是一种新型的思路,从具体的实施算法到总体的设计理念,都不同于传统的设计和解决方法,但同时它又能与传统方法相融合,因此,从具体的数学问题到更高层次的管理调度等问题,具有良好的应用前景。

参考文献

[1]曲良东,何登旭.基于单纯形法的双群人工鱼群算法[J],计算机应用,2008(8).

基于免疫原理的故障检测与诊断模型 第8篇

多年来, 生命现象和生物的智能行为一直为人工智能研究者所关注。免疫系统的主要功能就是在线检测和杀伤来自生物体内和体外的抗原。人工免疫系统 (AIS) 是受生物免疫系统启发, 通过学习生物免疫系统的功能、原理及特征并结合相关计算方法与理论而提出的一种智能计算方法。人工免疫系统具有强大的信息处理能力, 具备“自己非己”识别能力。再者, 免疫系统与神经网络系统一样, 是一个高度的并行处理系统, 具有学习能力、记忆能力等, 这些能力协调激励、多样性、适应性等, 将对故障诊断领域的研究提供新思想和新方法。

基于免疫机理提出一种用于故障检测与诊断的模型, 并讨论其具体算法, 最后通过对旋转机械故障进行仿真研究来验证其有效性。

1 基于免疫原理的故障检测与诊断模型

目前, 免疫模型在故障诊断领域已有所突破, Ishiguro[1]将免疫网络模型用于在线设备系统故障诊断取得了很好的效果;Guan-Chun Lui[2]等人研究一种基于免疫模型的故障诊断方法, 该诊断方法包括基于免疫模型辨识、故障检测和故障隔离与分类。由于基于人工免疫系统的应用并无统一和标准的框架可循, 现主要结合人工免疫系统相关原理和故障诊断[4]的特性, 提出一种基于免疫原理的故障检测与诊断模型。该模型具体实现算法如下:

(1) 判断待检抗原Ag是否与自我集合元素As匹配, 采用欧几里德距离匹配原则, 当dEC>Dy说明有故障发生。

其中:

dEC为欧几里德距离;

Dy为阈值。

(2) 对异常状态的抗原, 根据各记忆抗体集的匹配阀值Do判断其是否与记忆抗体集Ab匹配, 如与一个及以上记忆抗体集匹配, 则根据最大隶属度原则诊断故障类型。抗原隶属于某一故障模式j的隶属度。

ηj=Cj/Nj (2)

其中:Cj为故障模式j下记忆抗体集中与抗原匹配的抗体数;

Nj为故障模式j下记忆抗体集中抗体总数。

(3) 如待检抗原与已知记忆抗体集都不匹配, 则将抗原再与检测器集合匹配, 如匹配将其加入到记忆抗体集中, 如不匹配检测器集合再经克隆变异, 产生新的抗体与抗原匹配, 当亲和力Aff (Agl, Abl) ≥Do时, 抗体Ab产生q个克隆抗体。

其中:

Aff (Ag, Ab) =[1-dEC (Ag-Ab) ]2 (3)

为下取函数,

Do为阀值。

(4) 对q个抗体进行高频变异, 变异公式如下:

Abnew=Abold-α (Abold-Agi) (4)

式中:Abnew为变异后的抗体;

Abold为变异前的抗体;

α=‖Agi-Abold‖为学习率。

(5) 如最终与抗原匹配, 则记录该抗原, 并提请专家人工分析。如专家确诊为新抗原, 则将其加入训练抗原集, 进化产生仅针对此类抗原的新记忆抗体集, 以实现记忆抗体库的整体进化、更新。

(6) 为解决“死循环”问题设置了最大循环次数Nmax, 当克隆变异次数达到最大循环次数仍无法识别输入抗原时, 则认为该抗体群对抗原的识别失效, 循环终止并且清除所有子代抗体。

(7) 最后将匹配的新抗体提请专家处理并加入到记忆抗体集合中, 同时更新检测器集合。

2 仿真研究

旋转机械的故障[3]有很多种, 现以其典型的三种故障对免疫模型进行验证, 三种故障为:不平衡, 不对中, 转子轴向磨擦。以旋转机械的振动频率数据为特征参数, 每个样本由不同时间加入随机干扰的9个振动频率数据采样值组成, 训练数据为10个正常样本, 3个不平衡故障样本, 3个不对中故障样本, 3个转子轴向磨擦故障样本。对数据样本进行归一化化处理, 通过正常样本产生自体集合和检测器集合, 然后以故障训练数据作为抗原产生识别和表示抗原结构的记忆抗体。算法参数设置如下:阈值Dy=0.5;阀值Do=0.8;最大循环次数Nmax=10;记忆抗体个数Nj=30。最后采用本文提出的免疫方法对正常工作状态以及3种故障状态进行诊断。表1中为部分测试数据及诊断结果, 包括2个不平衡故障样本x1、x2, 2个不对中故障样本x3、x4, 2个转子轴向磨擦故障样本x5、x6。

由表1可知诊断结果准确, 表明基于免疫原理的故障检测及诊断模型具有较好的诊断效果, 并且该模型通过训练较少的故障样本来获得有效的记忆抗体, 说明该方法也适用于故障数据难以获取的小样本故障诊断。

结语:

结合故障诊断的特性, 提出了基于免疫原理的故障检测和诊断模型。该方法具有自学习、自组织、免疫记忆和不断更新的特点, 对故障诊断领域具有较广泛的适用性, 用该方法对旋转机械故障进行仿真研究, 结果表明选择合适的参数能使该模型具有良好的异常监测与诊断能力、自学习能力, 在机械故障诊断领域具有良好的应用前景。

参考文献

[1]Ishiguro A, Watanabe Y, Uchikawa Y.Fault diagnosis of plant systems using immune networks.In:Proc IEEE International Confer-ence on multi-sensor Fusion and Integration for Intelligent Systems, Las Vegas, NV, 1994:34-42.

[2]Lui Guan-chun, Cheng Wei-chong.Immune model-based fault diagnosis[J].Mathematics and Computers in Simulation, 2004, 7:5-6.

基于免疫原理的病毒检测方法研究 第9篇

1 计算机免疫学的概述

“免疫”原由拉丁字“immunis”而来,其原意为“免除税收”(exception fromcharges),也包含着“免于疫患”之意。免疫学(Immunology)研究机体免疫系统的组成(免疫器官、免疫细胞和免疫分子),识别(自己、异己)并消除(异己)有害生物(体外入侵,体内产生)及其成分的应答过程及机制的科学。

计算机免疫学(Computer Immunology)[1]一词最早由Forrest等人提出,他认为计算机免疫学是一门基于生物免疫学、人工免疫、以及计算机科学等的交叉学科,主要利用最新计算机科学技术,研究有关人工免疫的理论、规则、算法、模型等,并将这些理论应用于具体的应用系统中,解决实际的应用课题。目前国内还没有统一的说法,现在计算机免疫学的同义词有很多。例如计算机免疫系统、免疫计算、免疫计算机、人工免疫、基于免疫的系统等。总之,计算机免疫学是一门多学科领域的、边缘交叉学科。

2 计算机免疫学研究的现状

1974年,丹麦学者Jerne提出了免疫系统的第一个数学模型,奠定的免疫计算的基础。由于在免疫学上的杰出贡献,1984年,Jerne因此获得诺贝尔奖。

1994年,美国学者Forrest,Perelson等人提出了否定选择算法,用来生成检测器,完成了检测器的耐受过程,提出了计算机免疫系统的概念。

在国内,有关计算机免疫的相关研究刚起步不久。2002年,武汉大学的梁意文教授利用免疫原理对大规模网络入侵检测和预警技术进行了研究。

2002年6月,IEEE Transaction on Evolutionary Computation出专刊报道了有关人工免疫系统(Artificial Immune System,AIS)的研究进展,2002-2004年,国际上举办有关人工免疫的学术会议达20多次。

2003年,中国科学技术大学研制了一个“基于人工免疫的入侵预警系统”,该系统具有较好的未知入侵检测能力。

2004年,四川大学计算机网络安全与研究所提出了基于免疫的大规模网络入侵动态取证,以及网络安全风险检测与控制技术[2]。

武汉大学提出了基于多代理的计算机安全免疫系统检测模型及对Self集构造和演化方法,并在“Self”、“Non-self”的识别规则上进行研究,提出了用演化挖掘的方法提取规则;武汉大学与北方交通大学合作,提出了基于主机安全扫描的计算机免疫系统检测;北方交通大学提出了一种基于免疫入侵检测模型,并将随机过程引入计算机免疫研究;南京航空航天大学对利用免疫机理进行抗病毒技术进行了研究;北京理工大学自动控制系从控制论的角度论述了计算机免疫和生物免疫的相似性,提出计算机防病毒领域中应用多代理控制技术构筑计算机仿生物免疫系统[3]的可行性和实用性。

3 基于免疫原理的病毒检测方法概述

建立计算机免疫系统的基本问题是确立生物免疫系统和计算机免疫系统之间的基本元素对应关系,主要模拟生物免疫系统中有关抗原处理的核心思想。包括抗体的产生、自体耐受、克隆的扩增、免疫记忆等。

人工免疫理论在病毒检测中的基本原则:计算机系统(网络系统)看作“自体”,把病毒(或入侵)看作“非自体”或者“抗原”,与已知病毒相应的可以生成“抗体”,该抗体能够识别“抗原”,“抗体”按照一定的算法进行变异和进化,可以实现免疫应答(即一次应答识别新“抗原”,二次应答识别旧“抗原”),并保持自适应性和自稳定性的特征。总的来说,基于人工免疫理论的反病毒方法能够自适应识别新病毒。文章结合生物免疫原理构建了基于免疫技术的计算机病毒检测模型,并重点讨论了病毒检测体系的部分模块的算法设计及技术实现。

4 基于免疫原理的病毒检测模型研究

4.1 自体和非自体

生物免疫系统的基本功能就是识别自体和非自体。免疫系统不仅能识别已知抗原,同时还能够识别未知抗原,并且对再次入侵的抗原发生快速反应,即二次免疫应答。可以看出如何定义自体和非自体对免疫系统能否正常工作至关重要。

众所周知,生物免疫系统的自体和非自体是形态不同的蛋白质链。在其他领域其定义有所不同,如计算机领域是不同的01-字符串。经过抗原提取和检测器生成,问题空间P被分为连个子集S和T,自体集S∈P,非自体集T∈P,S和T具有相同的结构,都是01-字符串。

4.2 匹配规则

我们知道,匹配规则是确保系统高效工作的重要方面。因为在产生检测器时要用到匹配规则,在进行入侵检测时也要用到匹配规则。病毒检测系统中有两种常用的匹配规则:汉明距离匹配规则和r-连续位匹配规则。本模型选择r-连续位匹配规则。对于任意两个长度为L的字符串a和b,如果两个字符串a和b在相应位置上至少r连续相同,则这两个字符串是r-位连续匹配的。在r-连续位匹配规则下,如果存在一个连续匹配的子串,其位数之和≥r,则入侵检测系统认为被检测字符串属于非自体,即是病毒。

4.3 自体耐受

免疫系统的功能就是检测并消除外界病原体的入侵,免疫系统能否正确区分自体/非自体的能力是至关重要的。自体耐受[4]模拟免疫细胞在胸腺中的成熟过程。在自我与非我区分算法中,新墨西哥大学的Stephanie Forrest提出的否定选择算法[5]得到了学术界广泛的认可,此算法主要应用在检测器生成过程中。其机理如图1所示。

4.4 检测器

系统使用检测器(Detector)模拟生物免疫系统淋巴细胞的功能。它融合了B细胞、T细胞和抗体的性质,用于检测和识别病毒。在生物免疫系统中对免疫起关键作用的是抗体,在入侵检测系统中起关键作用的是检测。能否检测出病毒关键在于检测器的优劣。故对检测器的设计是整个检测系统最为关键的部分。文章的检测器采用的是常用检测器和记忆检测器相结合,分别放在表tb_dc和tb_dm中,具体功能结构如图2所示。

我们知道,检测器集的规模越大,它作为一个群体的多样性就越高,算法陷入局部最优的危险性就越小。所以,从群体多样性出发,检测器规模应该较大,但是检测器规模过大又会严重影响算法的性能。因此本系统最终限定Dc规模为102数量级。同时本系统在检测器生成更新方面采取了比较好的解决策略,这样做可以使系统检测器不断更新。具体的流程如图3所示。

对于具体的检测器的产生、更新过程,本系统采取的方式是利用四个线程来实现,分别是:

1)InitDcRandThread:初始Dc线程主要是随机产生24位字符串,经自体耐受成功后加入tb_dc;

2)ControlVatiateThread:可控变异定义一种变异形式,即从tb_dm中随机取出一个记忆检测器,取首尾各两个字符随机变异然后经自体耐受,成功后加入tb_dc;

3)RandVariateThread:负责从tb_dc中随机取出一个常用检测器,然后从中取出四个字符进行变异,经自体耐受成功后加入tb_dc;

4)ImmuneStudyThread:免疫学习线程不定时扫描tb_dc,若发现匹配次数大于等于进化阈值,将其加入tb_dm,同时删除在tb_dc中的该记录。

四个线程运行都有条件限制:1)数据库已正确连接;2)检测器规模未达到预定size。由于四个线程都要访问数据库,同时人工导入时也要涉及数据库的操作,为了保持数据的完整性,必须对两个方法同时加上synchronized关键字,这样可以保证其查询和更新数据库方法具有互斥限制的作用。

5 算法设计及技术实现

5.1 设计思想

将正常的程序代码集合定义为自体集,用随机生成的初始检测元和自体集中的代码匹配,利用负选择算法将初始检测元中与自体集匹配的检测元删除,剩下的则为成熟检测元(即抗体)。任意一个入侵抗原,将和所有成熟检测元进行匹配,如果匹配成功,则将抗原删除;对于与抗原亲和力很高的抗体,通过克隆选择算法进行繁殖再生;对于低亲和力[6]的抗体将在其达到生命周期时删除。对于与抗原有较高亲和力的抗体可进行遗传变异,以提高它的亲和力。由于抗体之间也有亲和力,因此对于每一个新产生的抗体都要与所有抗体进行亲和力的测试,期间对于与其他抗体有高亲和力的抗体要将其删除。

5.2 具体设计

以十六进制字符集G={0,1,,9,a,,f}表示代码集合,自体集S为正常程序代码集合,以观察3～5天的计算机运行状态未出现异常情况为正常程序代码集合,非自体集T为病毒程序代码集。满足:S U,T U,S∩T=φ,S∪T=U其中U=∪+∞i=16Gi。检测元用长度为24位的十六进制的病毒基因码来表示。设检测元为b,病毒为v,b对v的识别可通过计算两者之间的亲和力来控制:亲和力越高,b和v之间就越匹配,当亲和力达到一定阈值时,就说b识别了v。在成熟的检测元集合中,对抗原表现出高亲和力的检测元将被克隆,其中克隆的一部分检测元被转入记忆检测元集合,另外一部分继续留在成熟检测元集合中。生物免疫系统可以记忆以前入侵过的抗原,在下次入侵时可以进行快速的反应。计算机免疫系统也是一样。由于检测元的个数是有限度的,因此设定了每个检测元的生命周期。当那些成熟检测元中的“惰性”检测元达到生命周期时将被删除,这样就可以达到检测元不断被更新的目的,从而使得系统对病毒新品种及新变种具有恒久的检测识别的能力。

6 结束语

针对计算机病毒新品种及已知病毒新变种的难以检测问题,该文首先分别阐述了免疫学和计算机免疫学,然后结合生物免疫原理构建了基于免疫原理的计算机病毒检测模型,最后重点讨论了病毒检测体系的部分模块的算法设计及技术实现。并且该文提出的病毒检测方法具有自体耐受和检测器更新、进化,它克服了传统的病毒检测系统只能检测已知病毒的缺点,解决了新病毒及病毒新变种不能被识别的问题,是病毒检测方法中一种新的探索。

摘要：随着计算机及其因特网的飞速发展,信息资源得到了充分的共享,但随之而来的网络安全问题日益突出,特别是计算机病毒的泛滥,不仅给人类的正常工作和生活造成了影响,而且还严重扰乱了社会秩序。计算机免疫系统(Computer Immune System,CIS)是受生物免疫系统(Biological Immune System,BIS)启发而产生的,该免疫系统是目前计算智能研究的新领域,它已在网络入侵检测、病毒检测方面显示了其优异的信息处理能力。

关键词：病毒检测模型,自体耐受,检测器,亲和力

参考文献

[1]李涛.计算机免疫学[M].北京:电子工业出版社,2004

[2]朱思志.基于免疫原理的脚本病毒的检测方法[J].电脑与电信,2010(3).

[3]姚亮.计算机免疫学[J].哈尔滨理工大学,2007(6)

[4]陆阳,陈蕾,杨文泉.计算机免疫方法研究[J].计算机工程,2003(3).

[5]Forrest S,Hofmeyr S,Somayaji A.Computer Immunology[J].Communications of the ACM,2002,40(10):88-96.

人工免疫原理 第10篇

在生命科学领域中, 人们已经对遗传 (Heredity) 与免疫 (Immunity) 等自然现象进行了广泛深入的研究。20世纪60年代Bagley和Rosenberg等学者在对这些研究成果进行分析与理解的基础上, 借鉴其相关内容和知识, 特别是遗传学方面的理论与概念, 并将其成功应用于工程科学的某些领域, 收到了良好的效果[1]。遗传算法在迭代过程中, 存在随机地、没有指导地迭代搜索, 因此种群中的个体在提供了进化机会的同时, 也无可避免地产生了退化的可能。由于遗传算法的交叉和变异算子相对固定, 导致在求解一些复杂优化问题时, 容易忽视问题的特征信息对求解问题时的辅助作用。

由于遗传算法在模仿人类智能信息处理方面还存在严重不足, 导致国内外研究者力图将生命科学中的免疫概念引入到工程实践领域, 通过相关的知识与理论, 构建新的智能搜索算法, 从而来提高算法的整体性能[2,3]。为了实现上述目标, 研究人员将免疫概念及其理论应用于遗传算法, 在保留原算法优良特性的前提下, 力图有选择、有目的地利用待求问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象, 这种在遗传算法基础上诞生的新智能算法称为免疫算法 (Immune Algorithm) 。

1 免疫算法的发展历程

Immune (免疫) 是从拉丁文Immunise衍生而来的, 在早些时期, 人医学专家就注意到传染病患者在病愈后, 对该病有不同程度的免疫力。在医学研究领域, 免疫是指机体接触抗原性异物的一种生理反应[4]。免疫系统有能力自动产生很多不同抗体, 免疫系统的控制机制会自动完成调节功能, 从而自适应产生满足一定需求的抗体[5]。如果上述过程能连续反复地进行, 就能构成对自身的免疫, 人体就会通过所有淋巴细胞的作用实现了调节机制。图1描述的是生物免疫系统的组成结构。

当外部病原体或细菌侵入机体时, 免疫细胞能够识别“自体”和“非自体”, 迅速清除和消灭异物, 确保机体的安全性。生物免疫系统的这种能力, 具有多样性、耐受性、大规模并行分布处理、自组织、自学习、自适应、免疫记忆和鲁棒性等特点, 根据这种自然现象, 人们设计了免疫算法, 近年来该算法受到国内外众多学者的高度重视。

由生物引发的信息处理系统可以分为:人工神经网络, 进化计算和人工免疫系统。其中, 人工神经网络和进化计算已经被广泛地应用于各个领域, 并产生了巨大的经济效益和社会效益。近年来, 随着人们对免疫系统机理的进一步揭示, 关于人工免疫系统的理论研究和应用研究倍受关注, 一些研究成果已经被广泛用于机器学习、故障诊断、机器人行为仿真和控制、网络入侵检测和函数优化等众多领域, 表现出卓越的性能和效率。

2 免疫算法的基本原理

基本免疫算法基于生物免疫系统基本机制, 模仿了人体的免疫系统。基本免疫算法从体细胞理论和网络理论得到启发, 实现了类似于生物免疫系统的抗原识别、细胞分化、记忆和自我调节的功能[6]。如果将免疫算法与求解优化问题的一般搜索方法相比较, 那么抗原、抗体、抗原和抗体之间的亲和性分别对应于优化问题的目标函数、优化解、解与目标函数的匹配程度。图2显示的是克隆选择原理示意图。

免疫算法是基于生物免疫学抗体克隆的选择学说, 而提出的一种新人工免疫系统算法-免疫克隆选择算法 (Immune Clonal Selection Algorithm, ICSA) 。该算法具有自组选择学习、全息容错记忆、辩证克隆仿真和协同免疫优化的启发式人工智能。由于该方法收敛速度快, 求解精度高, 稳定性能好, 并有效克服了早熟和骗的问题, 成为新兴的实用智能算法。免疫算法的基本实现步骤如下:

(1) 随机产生一定规模的初始抗体种群A1, 并令进化代数k=0;

(2) 对当前第k代抗体群Ak进行交叉操作, 得到种群Bk;

(3) 对Bk进行变异操作, 得到抗体群Ck;

(4) 对Ck进行接种疫苗操作, 得到种群Dk;

(5) 对Dk进行免疫选择操作, 若当前群体中包含最佳个体, 则算法结束并输出结果;否则, 跳转到步骤 (2) 。

3 免疫算法的改进与优化

人工免疫系统是模仿自然免疫系统功能的一种智能方法, 是继人工神经网络、进化计算之后新的智能计算研究方向, 是生命科学和计算机科学相交叉而形成的交叉学科研究热点。

在进化计算基础上, 动态阈值免疫算法是一种适合于求解优化多参问题的动态阈值方法。该方法结合抗体间的相似度确定初始阈值, 通过构造阈值递减函数约束动态阈值的衰减幅度, 避免产生相似的抗体, 有效克服免疫克隆选择算法优化多参问题时产生的近亲繁殖和早熟收敛问题。

自适应免疫算法 (Adaptive Immune Algorithm, AIA) 属于一种动态的免疫优化算法。该算法的交叉算子随着群体规模动态变化, 同时选择概率也是随着抗体的浓度进行动态更新。AIA算法能较好地跳出算法的局部最优值, 从而在一个更大的范围内找寻最优解。自适应免疫算法引入了领域的概念, 通过扩展和突变操作对多个可行解进行领域搜索, 实现了在局部和全局范围内同时寻优。

一种基于局部高斯变异算子的免疫克隆选择算法 (Immune Clonal Selection Algorithm Introduced into Local Gaussian Mutation Operator, ICSA-LGMO) 是混合免疫算法[7]。在该算法执行过程中, 高斯变异继承了高斯分布具有的集中性、对称性和均匀变动性等优良特征, 具有较好的局部搜索能力。该算法的改进措施主要是通过构造并引入局部高斯变异算子指导抗体基因变异, 利用局部高斯变异的小步长不断地自适应调整与变换, 实现抗体基因在局部区域上的扰动, 搜索原抗体附近比原抗体更好满足问题的新抗体和基因, 从而形成新的抗体。

4 结论

生物信息系统的计算能力受到国内外专家学者的普遍关注。近年来, 以神经计算、进化计算、DNA计算及免疫计算等仿生计算为代表的计算智能技术得到了空前的发展, 掀起了仿生计算的新高潮。在未来信息学科发展领域, 免疫算法及其相关的智能优化算法将会扮演着越来越重要的角色。

摘要：本文系统地论述了免疫算法的概念、基本原理以及优化方法 。首先就免疫算法的研究现状进行简要回顾, 讨论了免疫算法的机理, 重点阐述了克隆选择原理、免疫算法的改进、免疫响应模型, 以及计算机免疫系统的设计方法等, 同时就免疫算法的实现步骤进行了详细分析。最后, 对免疫算法的应用进行了总结, 并对未来发展方向进行了展望。

关键词：免疫算法,计算机免疫学,克隆选择远离,免疫响应模型,优化方法

参考文献

[1]M.Kaya, Multi-objective genetic algorithm based approaches for mining optimized fuzzy association rules, Soft Comput, 2006, 10 (7) :578-586.

[2]Hisao Ishibuchi, Takashi Yamamoto.Fuzzy rule selection by multi-objective Genetic local search algorithm and rule evaluation measures in data mining[J].Fuzzy Sets and Systems, 2004, 141 (2) :59-88.

[3]A.Jaszkiewicz, Genetic local search for multi-objective combinatorial optimization, European J[J].Oper.Res.2002, 137 (1) :50-71.

[4]T.Hong, C.Chen, Y.Wu, Y.Lee, A GA-based fuzzy mining approach to achieve a trade-off between number of rules and suitability of membership functions, Soft Comput[Z].2006, 10 (11) :1091-1101.

[5]Weisheng Dong, Guangming Shi, Li Zhang.Immune memory clonal selection algorithms for designing stack filters[J].Neurocomputing, 2007, 70 (3) :777-784.

[6]LI Yang-Yang, JIAO Li-Cheng.Quantum-Inspired Immune Clonal Algorithm for SAT Problem[J].Chinese Journal of Computers, 2007, 30 (2) :176-183.