摘要: 人工免疫系统 (AIS) 是一新的模拟自然免疫系统的计算智能方法，它受生物免疫机制的启发，通过学习外界物质的自然防御机理，提供噪声忍耐、自组织、自学习、记忆等进化学习机制，结合了分类器、神经网络和机器推理等的特点，因此具有提供解决问题新颖方法的潜力。其研究成果涉及控制﹑数据处理﹑优化学习和故障诊断等，目前已成为继神经网络﹑模糊逻辑和进化计算后人工智能的又一研究热点。 由于遗传和免疫细胞在增殖中的基因突变，形成了免疫细胞的多样性，这些细胞的不断增殖形成无性繁殖系，无性繁殖称为克隆。有机体内免疫细胞的多样性能达到这种程度，以至于当每一种抗原侵入机体都能在机体内选择出能识别和消灭相应抗原的免疫细胞克隆，使之激活、分化和增殖，进行免疫应答以最终清除抗原，这就是克隆选择。免疫记忆是免疫系统另一重要的特点。当机体接触过某种抗原后再次接触相同抗原时，则抗体出现的潜伏期较初次应答明显缩短，抗体含量大幅度上升，而且维持时间长，这种当同一种抗原再次入侵机体时，引起的比初次免疫更强的、高亲和度的抗体产生的现象就称为免疫记忆。克隆选择及免疫记忆 所体现出的学习、记忆、抗体多样性等生物特性， 引起了人工免疫系统研究者的兴趣。 Castro 等的克隆选择算法 (CSA) 强调基于抗体-抗原亲合度的比例选择和克隆；与简单遗传算法迭代中保留单个最优个体不同， CSA 通过构造记忆单元，实现了个最优解群体的记忆；另外，通过随机产生新抗体对旧抗体的替代，增加了种群多样性。 Kim 等在 Hofmeyr 的基础上提出了一种动态克隆选择算法，并用于解决连续变化环境中异常探测的问题。由于免疫系统的复杂性，已有的克隆选择算法只能是生物克隆选择机理的简单模拟；而且相应成果多关注算法的构造，缺乏对算法的系统深入分析。 本文借鉴免疫学中的克隆选择和免疫记忆机理，提出一种新的人工免疫系统算法——基于免疫记忆的克隆策略算法。与以往的克隆选择算法相比，该算法的特点在于：1）采用实数编码；2） 评价标准计算是计算亲和度，包括抗体 - 抗原的亲合力以及抗体 - 抗体亲合度；反映了真实的免疫系统的多样性；3） 算法通过促进或抑制抗体的产生，体现了免疫反应的自我调节功能，即保证了个体的多样性又自适应地调节抗体群和记忆单元的规模；4） 通过设立记忆单元， 实现记忆单元和抗体群同时进化， 加快抗体亲和力成熟速度。值得一提的是，新算法和进化算法虽然都是对生物智能的模拟，但二者所基于的机理及算子设计完全不同，前者模拟生物进化过程，而且相应算子偏重于重组操作，而后者则是对生物免疫系统模拟，其主要操作为变异算子，而且新算法 不但强调抗体群的适应度的改变，也关心抗体间的相互作用而导致的多样性的改变。因而 本文提出的算法并非是对进化计算的改进。相关试验表明，与相关进化算法相比，该算法进一步提高了收敛速度，能比较有效地克服早熟现象，更好的实现全局搜索，可以很好地解决多峰函数优化及旅行商等复杂问题。