论文部分内容阅读
人工免疫网络模型是借鉴和利用生物免疫系统的性质和机制,用于解决工程和科学问题的自然计算模型,它已成为人工免疫系统理论及应用的重要研究内容。本论文主要对人工免疫网络的学习和记忆机制进行研究,以数据聚类和优化问题为主线,提出面向应用的人工免疫网络模型及算法,改进现有的人工免疫网络模型,拓展人工免疫系统的应用领域。研究成果可以概括为以下四个方面:1.模糊聚类是数据分析中的一个重要的研究领域,模糊聚类算法FCM已广泛应用于图像分割,模式识别,基因表达数据分析中,但是算法存在对初始中心选择敏感,易陷入局部极值的缺陷。提出的基于人工免疫网络的模糊聚类算法AINFCM是对FCM算法的改造,通过人工免疫网络的进化实现聚类中心以及隶属度的更新,最终获得优化的聚类方案。对标准测试数据集的实验表明,根据多个有效性度量标准的评判,AINFCM的聚类结果好于FCM算法,同时优于人工免疫进化聚类算法。2.人类免疫系统是极为复杂的、固有并行性的系统。目前,并行人工免疫算法的研究很少,因此并行化人工免疫系统的研究也很必要。通过对AINFCM算法的时间复杂度分析发现抗体的适应度计算量大是影响执行速度的关键步骤。提出了基于主从模式的人工免疫网络模糊聚类PAINFCM模型,人工免疫网络在主处理器上进化,而将适应度计算任务分配到多个从处理器执行。实验结果表明,对人工免疫网络算法采用并行技术可以获得较高的加速比,同时保持了人工免疫网络的记忆细胞多样性。3.研究表明缺乏网络细胞间的协作影响了人工免疫网络算法寻优能力和速度。为此,提出了协作型人工免疫网络模型,在原有人工免疫网络中引入群体智能个体间的协作机制。实现了具有粒子群行为的协作型人工免疫网络算法CoAIN,用于求解多模函数优化问题,使得人工免疫网络细胞具有共享寻优经验的协作能力。对多模函数优化的测试表明协作型人工免疫网络CoAIN与opt-aiNet,BCA,PSO以及混合遗传算法相比,在寻优能力和执行速度方面效果良好。4.提出了一个新型的求解药物代谢动力学模型的参数优化方法PKAIN人工免疫网络,是人工免疫网络在新领域的应用。新增的分组并发单纯形变异用以提高人工免疫网络的局部搜索能力。通过PKAIN人工免疫网络中网络细胞的进化得到给定药代动力学模型的一组优化参数。应用拉普拉斯变换求解瑞芬太尼及其代谢产物瑞芬太尼酸的联合代谢动力学模型的微分方程组,通过PKAIN算法优化导出房室模型参数。与传统的残数法及高斯牛顿非线性最小二乘法相比,取得更好的优化效果,为药物代谢动力学的研究提供了新的方法。