免疫聚类算法在基因表达数据分析中的应用

提出了基于免疫聚类算法的基因表达数据分析方法. 根据基因表达数据矩阵的特点,设计了改进的Consine系数来度量基因相似度;借鉴生物免疫学的有关免疫理论,利用基因表达数据分析的先验知识自适应地改变抗体本身及其与抗原亲合度的关系,构造了基于免疫优势克隆的聚类算法. 与K均值算法和遗传算法的对比实验表明,该算法能够获得较大的类内紧制度、较小的类间分离度,具有较好的工程应用价值.     

基于人工免疫的机车二系调簧方法

为进一步提高电力机车二系支承载荷调整优化算法的性能,解决已有算法在加垫数量控制上的欠缺,并避免冗余计算,提出了一种基于人工免疫算法的两级结构机车二系载荷调整方法:免疫优势克隆选择多目标算法。针对调簧问题的偏好结构特点,设计具有调簧寻优阶段和可控加垫量寻优阶段的两级寻优算法,分别定义了两个阶段的寻优目标和可行域,进一步将调簧问题的先验知识作为免疫优势引入算法设计中,并结合调簧问题的具体特点以及人工免疫知识设计了特定的抗体编码形式、变异策略和免疫优势获得算法。对不同车型的多次应用试验统计结果表明:该算法不仅具有良好的优化载荷分布特性,还能稳定地控制调簧产生的加垫数量,并且能够避免冗余计算,极大地提高了调簧效率和实际应用价值。     

Multiobjective optimization using an immunodominance and clonal selection inspired algorithm

Based on the mechanisms of immunodominance and clonal selection theory, we propose a new multiobjective optimization algorithm, immune dominance clonal multiobjective algorithm （IDCMA）. IDCMA is unique in that its fitness values of current dominated individuals are assigned as the values of a custom distance measure, termed as Ab-Ab affinity, between the dominated individuals and one of the nondominated individuals found so far. According to the values of Ab-Ab affinity, all dominated individuals （antibodies） are divided into two kinds, subdominant antibodies and cryptic antibodies. Moreover, local search only applies to the subdominant antibodies, while the cryptic antibodies are redundant and have no function during local search, but they can become subdominant （active） antibodies during the subsequent evolution. Furthermore, a new immune operation, clonal proliferation is provided to enhance local search. Using the clonal proliferation operation, IDCMA reproduces individuals and selects their improved maturated progenies after local search, so single individuals can exploit their surrounding space effectively and the newcomers yield a broader exploration of the search space. The performance comparison of IDCMA with MISA, NSGA-Ⅱ, SPEA, PAES, NSGA, VEGA, NPGA, and HLGA in solving six well-known multiobjective function optimization problems and nine multiobjective 0/1 knapsack problems shows that IDCMA has a good performance in converging to approximate Pareto-optimal fronts with a good distribution.     

多峰函数优化的自适应小生境克隆选择算法

为了解决de Castro在2000年提出的CLONALG算法在多峰值函数优化时多峰搜索能力弱,训练时间长的问题,提出自适应小生境克隆选择算法（ANCSA）。该算法运用自适应小生镜技术、高频变异算子和小生镜免疫优势选择技术来对原有算法进行改进。新算法具有较强的全局和局部搜索能力,并且搜索时间较短。理论分析和仿真研究结果表明,相比CLONALG算法,提出的算法能够在较短的时间内搜索到所有的全局最优解和更多的局部最优解。     

基于免疫优势算法的配电网重构

提出了一种新的免疫算法用于配电网重构,以减小网损。在种群初始化时,对个体进行接种疫苗,通过修改各个体的某些基因位上的基因,使得可行解的比例变大。对不可行解采用启发式的方法,通过打开回路和连通孤岛,将其修复成为可行解。重构优化过程中,免疫优势算法和信息熵的采用,提高了算法的效率和大大减少了优化所需的的进化代数,同时能有效维持群体的多样性和避免算法早熟收敛,算例结果表明该算法的计算速度比常规遗传算法的计算速度有较大的提高。     

基于免疫优势算法的配电网规划

根据配电网的特点,提出了一种新的免疫算法用于配电网规划,以减小网络需要的费用.在配电网络优化规划过程中,免疫优势算法和树形编码的采用,提高了算法的效率和大大减少了优化规划所需的的进化代数,同时能有效维持群体的多样性和避免算法早熟收敛,算例结果表明该算法的计算速度比常规遗传和免疫算法的计算速度有较大的提高.     

双态免疫优势蚁群算法及其在TSP中的应用研究

通过分析标准蚁群算法易于出现早熟停滞现象,该文提出一种高效收敛的算法-双态免疫优势蚁群算法.该算法将蚂蚁分成两种状态,扩大了解的搜索空间,有效抑制了收敛过程中的早熟停滞现象,将禁忌表中的抗体通过克隆扩增、高频变异等免疫算子操作得到精英蚂蚁,再对抗体记忆库引入局部最优免疫策略.针对TSP实验结果表明:该算法与最新的改进蚁群优化算法相比,其收敛速度及求解精度均得到了提高.     

基于免疫优势的克隆选择聚类算法

 基于克隆选择原理和免疫优势理论,本文提出一种新的基于免疫优势的克隆选择聚类算法（Immunodomaince based Clonal Selection Clustering Algorithm,IDCSCA）,该算法通过在经典的克隆选择算法框架中,引入基于免疫优势理论的免疫优势算子实现了在线自适应动态获得先验知识和个体间的信息共享。新算法首先通过对群体中若干最优抗体的分析,提取免疫优势,然后将其推广到整个抗体群,通过在进化过程中利用积累的先验知识,在保证抗体种群多样性的基础上加快收敛速度。采用个5个数据集对算法性能进行了测试,与模糊C均值算法（Fuzzy C-means, FCM）、基于遗传算法的模糊聚类算法(Genetic Algorithm based Fuzzy C-means, GAFCM)以及基于克隆选择的模糊聚类算法（Clonal Selection Algorithm based Fuzzy C-means, CSAFCM）比较,结果表明IDCSCA能有效避免聚类中心迭代过程中陷入局部最优点的问题,而且聚类性能更稳定。     

基于免疫优势多克隆网络的异常检测

为实现无监督异常检测,提出一种用于网络数据训练学习的免疫优势多克隆网络聚类算法。根据抗体抗原亲合度,通过免疫优势、克隆、交叉、非一致变异、禁忌克隆和克隆死亡等人工免疫系统算子,实现抗体网络的进化学习和自适应调节。以一个小规模的网络映射原始数据集的内在结构,利用基于凝聚的层次聚类方法对网络结构进行分析,从而获得描述正常和异常行为的数据特征。仿真结果表明,该算法适用于大规模、无标识数据的异常检测,并能检测出未知攻击。     

T细胞免疫优势应答机制的研究进展

免疫优势应答在病原体感染及肿瘤免疫逃避中发挥着重要作用,其部分机制已被阐明,涉及细胞免疫应答的诸多环节,如抗原表位的位置及对蛋白酶的易感性、人类白细胞抗原-DM蛋白的编辑加工、所形成的肽-MHC复合物的动力稳定性及T-T细胞竞争等。本文主要对T细胞免疫优势应答机制的研究进展作一综述。