1.5　免疫计算与机器学习

生物体是一个复杂的大系统，其信息处理功能是由时间和空间尺寸相异的三个子系统完成的，即脑神经系统、免疫系统和内分泌系统。免疫系统是生物，特别是脊椎动物（包括人类）所必备的防御机制，它由具有免疫功能的器官、组织、细胞、免疫效应分子和有关的基因等组成，可以保护机体抗御病原体、有害的异物及癌细胞等致病因子的侵害。免疫功能主要包括：免疫防御、免疫稳定和免疫监视。从工程应用和信息处理角度来看，生物免疫系统为人工智能提供的许多信息处理机制，正是充分认识到生物免疫系统中蕴涵丰富的信息处理机制，Farmer等率先基于免疫网络学说给出了免疫系统的动态模型，并探讨了免疫系统与其他人工智能方法的联系，开始了人工免疫系统的研究。人工免疫系统（Artificial Imuune System，AIS）是模仿自然免疫系统功能的一种智能方法，它实现一种受生物免疫系统启发，通过学习外界物质的自然防御机理的学习技术，提供噪声忍耐、无教师学习、自组织、记忆等进化学习机理，结合了分类器、神经网络和机器推理等系统的一些优点，因此提供了新颖的解决问题的方法和途径。其研究成果涉及机器学习、数据处理、优化学习和故障诊断等许多领域，已经成为继神经网络、模糊逻辑和进化计算后人工智能的又一研究热点。

基于免疫的计算智能之所以获得广泛重视，在于具有以下优良的特性。

1）免疫系统的动态进化性

免疫系统在与病原体之间相互竞争的同时，也在不断进化。这一特性可用于动态优化算法的求解过程，随着环境的变化，得到的优化解也是动态进化的，而传统遗传算法一般是静态寻优，往往无法在线动态寻优，免疫系统的动态特性，以及与变化的环境不断适应的过程，为动态优化提供了一种新的思路。

2）免疫系统的多尺度进化特性

免疫系统实际上是一个在动态变化环境中通过自学习而不断完善的多时间尺度进化系统。免疫系统的鲁棒性是在慢速学习阶段，保证在外来攻击的大范围内获得满意的性能；而免疫系统的自适应性是在快速学习阶段实现的。

3）免疫系统的搜索方式

免疫系统对于特殊的入侵抗原选择最适宜的抗体时，也经历了一种搜索“最优抗体”的过程。免疫系统的搜索方式是将随机性和基于反馈的高度定向行为结合起来。免疫系统这种将随机性与定向性相结合来进行搜索的特性，使免疫系统在深度搜索和广度搜索之间取得了平衡，这对于优化搜索方式也是一种启发。

4）免疫系统抗体生存的周期性

免疫系统抗体群中记忆细胞可以存活几十年，将这种免疫抗体生命周期引入优化算法，可以用于动态环境中的种群个体的不同适应性的标度，这样种群个体就具有不同的生命周期，可以获得动态优化的效果。

根据以上免疫系统的生物特性而发展得到的免疫计算智能算法具有以下突出特点：免疫计算在记忆单元基础上运行，确保了快速收敛于全局最优解；而传统进化算法则是基于父代群体，不能保证概率收敛；免疫算法评价标准是计算亲和性，包括抗体-抗原的亲和度及抗体-抗体的亲和度。这一特性反映了真实免疫系统的多样性，而传统进化算法则是简单计算个体的适应度；免疫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，保证了个体的多样性，而传统进化算法只是根据适应度选择父代个体，并没有对个体多样性进行调节；免疫算法沿用了交叉变异的思想，但新抗体产生还可以借助克隆选择、免疫记忆、疫苗接种等传统进化算法中没有的机理。因此，基于免疫原理发展起来的免疫算法能有效克服其他智能算法的进化早熟现象、群体多样性不足及搜索速度慢等问题。探讨免疫系统的运行机理，模拟其运行机制并提出免疫算法解决实际问题具有理论和现实意义，为研究新的优化算法及改进现有的优化算法提供了多种新思路。

目前基于免疫计算的机器学习研究已经有了大量算法，这些算法可分为两大类：基于免疫学原理的机器学习算法，以及与其他进化算法结合的混合算法。概括起来，在机器学习领域中，应用免疫计算相关原理的主要有以下几个方面：

（1）基于免疫克隆选择原理的机器学习算法。其利用免疫系统克隆选择的机制来实现优秀抗体的扩展和增生，并利用了免疫系统中的记忆机制保证算法能够最终收敛到全局最优解，在模式识别、字符识别、分类等问题中取得较好效果。

（2）基于免疫阴性选择原理的机器学习方法。免疫系统强大而高效的模式识别能力即从非自体分子区分自分子的能力，本质上就是分类的过程。可由此设计分类器，应用于入侵检测、模式识别、故障诊断、文本分类等问题。

（3）基于抗体浓度调节原理的免疫机器学习算法。其利用抗体多样性保持机制，提高了算法的群体多样性，能有效抑制早熟现象，使免疫算法具有较好的全局收敛性，可以适用于数据降维、知识约简等问题。

（4）基于免疫学原理与其他进化算法的结合。如免疫特征与遗传算法、神经网络结合的算法解决目标分类、聚类、回归分析与预测问题。

（5）模拟免疫系统的免疫网络原理的免疫网络算法。Farmer最早证明了分类器和免疫独特型网络模型之间的相似性，从动力学系统角度研究免疫系统的一般模式识别性质，该研究确定了许多与Holland的分类器系统的类似性，用于解决聚类、分类、数据挖掘等问题。

（6）基于免疫抗体记忆及免疫响应的免疫优化算法。其引入了免疫记忆和抗体多样性等免疫特性，将随机搜索过程中的局部搜索和全局搜索采用不同的促进和抑制策略，有效保证了算法的收敛速度。

（7）基于免疫疫苗接种的免疫优化算法。该算法引入疫苗接种的概念，能充分利用问题的先验知识，改善算法的性能，在机器学习的有监督和半监督学习问题中获得了良好的效果。

正是由于免疫计算智能所具备的多种特性，使其在机器学习领域有着广泛的应用前景。本书的3～7章将重点介绍因以上相关原理而发展的机器学习方法及工程应用。