遺傳演算法免疫演算法
A. 免疫演算法的提出
在生命科學領域中，人們已經對遺傳(Heredity)與免疫(Immunity)等自然現象進行了廣泛深入的研究。六十年代Bagley和Rosenberg等先驅在對這些研究成果進行分析與理解的基礎上，借鑒其相關內容和知識，特別是遺傳學方面的理論與概念，並將其成功應用於工程科學的某些領域，收到了良好的效果。時至八十年代中期，美國Michigan大學的Hollan教授不僅對以前的學者們提出的遺傳概念進行了總結與推廣，而且給出了簡明清晰的演算法描述，並由此形成目前一般意義上的遺傳演算法(GeneticAlgorithm)GA。由於遺傳演算法較以往傳統的搜索演算法具有使用方便、魯棒性強、便於並行處理等特點，因而廣泛應用於組合優化、結構設計、人工智慧等領域。另一方面，Farmer和Bersini等人也先後在不同時期、不同程度地涉及到了有關免疫的概念。遺傳演算法是一種具有生成+檢測 (generate and test)的迭代過程的搜索演算法。從理論上分析，迭代過程中，在保留上一代最佳個體的前提下，遺傳演算法是全局收斂的。然而，在對演算法的實施過程中不難發現兩個主要遺傳運算元都是在一定發生概率的條件下，隨機地、沒有指導地迭代搜索，因此它們在為群體中的個體提供了進化機會的同時，也無可避免地產生了退化的可能。在某些情況下，這種退化現象還相當明顯。另外，每一個待求的實際問題都會有自身一些基本的、顯而易見的特徵信息或知識。然而遺傳演算法的交叉和變異運算元卻相對固定，在求解問題時，可變的靈活程度較小。這無疑對演算法的通用性是有益的，但卻忽視了問題的特徵信息對求解問題時的輔助作用，特別是在求解一些復雜問題時，這種忽視所帶來的損失往往就比較明顯了。實踐也表明，僅僅使用遺傳演算法或者以其為代表的進化演算法，在模仿人類智能處理事物的能力方面還遠遠不足，還必須更加深層次地挖掘與利用人類的智能資源。從這一點講，學習生物智能、開發、進而利用生物智能是進化演算法乃至智能計算的一個永恆的話題。所以，研究者力圖將生命科學中的免疫概念引入到工程實踐領域，藉助其中的有關知識與理論並將其與已有的一些智能演算法有機地結合起來，以建立新的進化理論與演算法，來提高演算法的整體性能。基於這一思想，將免疫概念及其理論應用於遺傳演算法，在保留原演算法優良特性的前提下，力圖有選擇、有目的地利用待求問題中的一些特徵信息或知識來抑制其優化過程中出現的退化現象，這種演算法稱為免疫演算法(ImmuneAlgorithm)IA。下面將會給出演算法的具體步驟，證明其全局收斂性，提出免疫疫苗的選擇策略和免疫運算元的構造方法，理論分析和對TSP問題的模擬結果表明免疫演算法不僅是有效的而且也是可行的，並較好地解決了遺傳演算法中的退化問題。
B. 粒子群演算法屬於什麼學科
粒子群演算法屬於計算智能的范疇，如果按照學科分的話當然是計算機學科。
另外粒子群演算法是一種進化計算技術(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源於對鳥群捕食的行為研究 。
——————————————————————————
另外關於計算智能的相關介紹便可以了解
計算智能的主要方法有人工神經網路、遺傳演算法、遺傳程序、演化程序、局部搜索、模擬退火等等。這些方法具有以下共同的要素：自適應的結構、隨機產生的或指定的初始狀態、適應度的評測函數、修改結構的操作、系統狀態存儲器、終止計算的條件、指示結果的方法、控制過程的參數。計算智能的這些方法具有自學習、自組織、自適應的特徵和簡單、通用、魯棒性強、適於並行處理的優點。在並行搜索、聯想記憶、模式識別、知識自動獲取等方面得到了廣泛的應用。
典型的代表如遺傳演算法、免疫演算法、模擬退火演算法、蟻群演算法、微粒群演算法(也就是粒子群演算法，翻譯不同罷了)，都是一種仿生演算法，基於「從大自然中獲取智慧」的理念，通過人們對自然界獨特規律的認知，提取出適合獲取知識的一套計算工具。總的來說，通過自適應學習的特性，這些演算法達到了全局優化的目的。
C. 請問什麼是遺傳演算法，並給兩個例子
遺傳演算法(Genetic Algorithm, GA)是近幾年發展起來的一種嶄新的全局優化演算法，它借
用了生物遺傳學的觀點，通過自然選擇、遺傳、變異等作用機制，實現各個個體的適應性
的提高。這一點體現了自然界中"物競天擇、適者生存"進化過程。1962年Holland教授首次
提出了GA演算法的思想，從而吸引了大批的研究者，迅速推廣到優化、搜索、機器學習等方
面，並奠定了堅實的理論基礎。 用遺傳演算法解決問題時，首先要對待解決問題的模型結構
和參數進行編碼，一般用字元串表示，這個過程就將問題符號化、離散化了。也有在連續
空間定義的GA(Genetic Algorithm in Continuous Space, GACS)，暫不討論。
一個串列運算的遺傳演算法(Seguential Genetic Algoritm, SGA)按如下過程進行：
(1) 對待解決問題進行編碼；
(2) 隨機初始化群體X(0):=(x1, x2, … xn)；
(3) 對當前群體X(t)中每個個體xi計算其適應度F(xi)，適應度表示了該個體的性能好
壞；
(4) 應用選擇運算元產生中間代Xr(t)；
(5) 對Xr(t)應用其它的運算元，產生新一代群體X(t+1)，這些運算元的目的在於擴展有限
個體的覆蓋面，體現全局搜索的思想；
(6) t:=t+1；如果不滿足終止條件繼續(3)。
GA中最常用的運算元有如下幾種：
(1) 選擇運算元(selection/reproction): 選擇運算元從群體中按某一概率成對選擇個
體，某個體xi被選擇的概率Pi與其適應度值成正比。最通常的實現方法是輪盤賭(roulett
e wheel)模型。
(2) 交叉運算元(Crossover): 交叉運算元將被選中的兩個個體的基因鏈按概率pc進行交叉
，生成兩個新的個體，交叉位置是隨機的。其中Pc是一個系統參數。
(3) 變異運算元(Mutation): 變異運算元將新個體的基因鏈的各位按概率pm進行變異，對
二值基因鏈(0,1編碼)來說即是取反。
上述各種運算元的實現是多種多樣的，而且許多新的運算元正在不斷地提出，以改進GA的
某些性能。系統參數(個體數n,基因鏈長度l,交叉概率Pc,變異概率Pm等)對演算法的收斂速度
及結果有很大的影響，應視具體問題選取不同的值。
GA的程序設計應考慮到通用性，而且要有較強的適應新的運算元的能力。OOP中的類的繼
承為我們提供了這一可能。
定義兩個基本結構：基因(ALLELE)和個體(INDIVIDUAL)，以個體的集合作為群體類TP
opulation的數據成員，而TSGA類則由群體派生出來，定義GA的基本操作。對任一個應用實
例，可以在TSGA類上派生，並定義新的操作。
TPopulation類包含兩個重要過程：
FillFitness: 評價函數，對每個個體進行解碼(decode)並計算出其適應度值，具體操
作在用戶類中實現。
Statistic: 對當前群體進行統計，如求總適應度sumfitness、平均適應度average、最好
個體fmax、最壞個體fmin等。
TSGA類在TPopulation類的基礎上派生，以GA的系統參數為構造函數的參數，它有4個
重要的成員函數：
Select: 選擇運算元，基本的選擇策略採用輪盤賭模型（如圖2）。輪盤經任意旋轉停止
後指針所指向區域被選中，所以fi值大的被選中的概率就大。
Crossover: 交叉運算元，以概率Pc在兩基因鏈上的隨機位置交換子串。
Mutation: 變異運算元，以概率Pm對基因鏈上每一個基因進行隨機干擾(取反)。
Generate: 產生下代，包括了評價、統計、選擇、交叉、變異等全部過程，每運行一
次，產生新的一代。
SGA的結構及類定義如下(用C++編寫)：
[code] typedef char ALLELE; // 基因類型
typedef struct{
ALLELE *chrom;
float fitness; // fitness of Chromosome
}INDIVIDUAL; // 個體定義
class TPopulation{ // 群體類定義
public:
int size; // Size of population: n
int lchrom; // Length of chromosome: l
float sumfitness, average;
INDIVIDUAL *fmin, *fmax;
INDIVIDUAL *pop;
TPopulation(int popsize, int strlength);
~TPopulation();
inline INDIVIDUAL &Indivial(int i){ return pop[i];};
void FillFitness(); // 評價函數
virtual void Statistics(); // 統計函數
};
class TSGA : public TPopulation{ // TSGA類派生於群體類
public:
float pcross; // Probability of Crossover
float pmutation; // Probability of Mutation
int gen; // Counter of generation
TSGA(int size, int strlength, float pm=0.03, float pc=0.6):
TPopulation(size, strlength)
{gen=0; pcross=pc; pmutation=pm; } ;
virtual INDIVIDUAL& Select();
virtual void Crossover(INDIVIDUAL &parent1, INDIVIDUAL &parent2,
INDIVIDUAL &child1, INDIVIDUAL &child2);
&child1, INDIVIDUAL &child2);
virtual ALLELE Mutation(ALLELE alleleval);
virtual void Generate(); // 產生新的一代
};
用戶GA類定義如下：
class TSGAfit : public TSGA{
public:
TSGAfit(int size,float pm=0.0333,float pc=0.6)
:TSGA(size,24,pm,pc){};
void print();
}; [/code]
由於GA是一個概率過程，所以每次迭代的情況是不一樣的；系統參數不同，迭代情況
也不同。在實驗中參數一般選取如下：個體數n=50-200，變異概率Pm=0.03, 交叉概率Pc=
0.6。變異概率太大，會導致不穩定。
參考文獻
● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine
Learning. Addison-Wesley, Reading, MA, 1989
● 陳根社、陳新海，"遺傳演算法的研究與進展"，《信息與控制》，Vol.23,
NO.4, 1994, PP215-222
● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri
bution of the Neural Networks", IEEE, Trans. on Neural Networks, Vol.5, NO
.1, 1994, PP39-53
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅰ
l Networks, Vol.5, NO.1, 1994, PP102-119
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅱ
al Networks, Vol.5, NO.1, 1994, PP102-119
● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I
EEE, Trans. on Neural Networks, Vol.5, NO.1, 1994, PP96-101
● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg
orithms: A Markov chain analysis. in Parallel Problem Solving from Nat
ure. H.-P.Schwefel, R.Manner, Eds. Berlin and Heidelberg: Springer, 1991
, PP4-12
● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu
ral Networks, Vol.5, NO.1, 1994, PP130-147
● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co
ntrollers for Highly Uncertain Plants", IEEE, Trans. on Neural Networks, V
ol.5, NO.1, 1994, PP73-81
● 方建安、邵世煌，"採用遺傳演算法自學習模型控制規則"，《自動化理論、技術與應
用》，中國自動化學會 第九屆青年學術年會論文集，1993, PP233-238
● 方建安、邵世煌，"採用遺傳演算法學習的神經網路控制器"，《控制與決策》，199
3,8(3), PP208-212
● 蘇素珍、土屋喜一，"使用遺傳演算法的迷宮學習"，《機器人》，Vol.16,NO.5,199
4, PP286-289
● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat
ion", IEEE Trans. on S.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation",
IEEE Trans. on S.M.C, Vol.24, NO.4, 1994
● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy
Reasoning Models with Application to Fuzzy Control", IEEE Trans. S. M. C,
Vol.24, NO.1, PP39-47, 1994
● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Con
troller Design and Tuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13
39, 1993
D. 概率搜索演算法有哪些，除了遺傳演算法和蟻群演算法
智能優化演算法分為進化演算法，群智能演算法等
遺傳演算法屬於進化演算法，其中還有進化策略，進化規劃等
蟻群演算法屬於群智能優化演算法，其中還有微粒群演算法，魚群演算法，猴群演算法等
免疫演算法也屬於智能優化演算法，基於生物免疫系統機理
模擬退火演算法是否屬於智能優化演算法尚不明確，一般可以認為是
神經網路也是智能優化演算法的一種
E. 線性演算法是指什麼樣演算法請舉幾個例子。類似於進化演算法就是指遺傳演算法，人工免疫演算法等。
這里說的線性演算法應該是從時間復雜度方面來說的，相對於進化演算法的話。
即在線性時間或 Ο（n）時間內能求得問題最優解的演算法，統稱為線性演算法。比如說動態規劃法、分治法、回溯法、遞歸法等。
供參考
F. 機械臂控制演算法除了遺傳演算法還有哪些
這個問題現在很火吧，主流優化演算法應該都有研究成果：
遺傳演算法，粒子群演算法，模擬退火演算法，免疫演算法等等都可以
G. 使用遺傳演算法和免疫演算法的優化結果是否有差別
遺傳演算法是一種智能計算方法，針對不同的實際問題可以設計不同的計算程序。它主要有復制，交叉，變異三部分完成，是仿照生物進化過程來進行計算方法的設計。 模糊數學是研究現實生活中一類模糊現象的數學。簡單地說就是像好與壞怎樣精確的描述，將好精確化，用數字來表達。 神經網路是一種仿生計算方法，仿照生物體中信息的傳遞過程來進行數學計算。 這三種知識都是近40年興起的新興學科，主要應用在智能模糊控制上面。這三者可以結合起來應用。如用模糊數學些遺傳演算法的程序，優化神經網路，最後用神經網路控制飛行器或其他物體
H. 免疫遺傳演算法怎麼和其他結合在一起
在使用遞歸操作的時候，經常會遇到遞歸條件報錯：ORA-01436: 用戶數據中的 CONNECT BY 循環。特別是在做一些技巧性操作的時候，比如常見的復制和展開行，字元串拆分。這時候經常會使用層次查詢CONNECT BY。但是稍加不慎，就會報遞歸循環錯誤，為了避免這種錯誤，有個技巧，那就是增加prior dbms_random.value is not null。
例1：復制與展開行
比如對1 ID,5 times按5次展開5行。那麼這很簡單，如下：
SQL> WITH t AS
2 (
3 SELECT 1 ID,5 times FROM al
4 )
5 SELECT ID FROM t
6 CONNECT BY LEVEL<=times;
ID
----------
1
1
1
1
1
I. 免疫演算法的介紹
免疫演算法是一種具有生成+檢測 (generate and test)的迭代過程的搜索演算法。從理論上分析，迭代過程中，在保留上一代最佳個體的前提下，遺傳演算法是全局收斂的。
J. 關於遺傳演算法的疑惑！請高人指點！非常感謝！ 模擬退火遺傳演算法和免疫遺傳演算法哪個改進的效果好
這些演算法的本質都是隨機搜索，帶有隨機性，對參數依賴程度還是比較強的，所以出現結果時好時壞也是正常的。
至於這些演算法的比較，你可以查查相關的論文。特別是首先提出該改進演算法的論文，不過要注意，國內的論文的實驗結果可信程度還是值得懷疑的。作者往往為了「證明」其演算法的優勢，只列舉那些對演算法效果有利的實驗結果，不好的結果經常不列出來。所以你看到別人說什麼演算法好，但你自己用的時候卻沒發現該演算法的優勢也是正常的。