摘要：人工免疫系统是受人体免疫系统启发的一种智能算法，负选择算法作为人工免疫系统的核心算法之一，在各领域被广泛研究和应用。从两方面对负选择算法进行了改进，首先对记忆细胞数量对识别准确率的影响进行了研究，提出一种反馈学习的思想来进行记忆细胞数量的优化，实现提高分类过程中的识别准确率。然后为了解决传统负选择算法存在检测器覆盖空间存在交集、整体覆盖空间较低的问题，提出通过记忆细胞识别半径的自动调整，减少检测器数量，提高整体覆盖空间的方法，这种方法避免了“交叉识别（overlap）”和“识别洞（hole）”现象的出现。最后，实验结果表明算法在解决文本分类问题是有效可行的，其在路透社文本分类数据集上分类准确率达到了93.89%。 全文查看链接 　　常用的文本分类算法包括贝叶斯分类、神经网络分类、支持向量机、TFIDF算法、粗糙集方法和模糊集（Fuzzy Set）方法等[15]。其中，基于人工免疫系统的分类算法的研究已获得了丰硕成果，例如，Alves等人提出的基于规则的模糊规则归纳算法（Induction of Fuzzy Rules with an Artificial Immune System，IFRAIS）[16]；邱小宁对IFRAIS 算法进行了改进，在IFRAIS 算法的规则进化研究中对抗体的克隆选择过程增加了抗体抗原间的交叉，以提高分类准确率，提出了抗体抗原交叉的规则归纳算法（Induction of Rule with Antibody-Cross-Antigen of Artificial Immune System， IRAA），并通过实验对改进算法进行了验证[17]；Watkins在克隆选择和有限资源人工免疫系统等基础上提出了人工免疫识别系统（Artificial Immune Recognition System，AIRS）分类器模型[18，19]；彭凌西等人对AIRS进行了改进，提出了一种基于免疫的监督式分类算法，有效减少了记忆细胞数量，提高了分类准确率[20]；刘芳等人提出了一种基于免疫克隆算法的搜索机制以及Michigan方法模型的规则提取和分类方法——免疫克隆分类算法（Immune Clonal Algorithm for Classification，ICAC）[21]；K.lgawa等人对负选择算法进行了改进，将负选择算法应用于多类别分类问题，并提出一种“裁剪”的思想来减弱噪声对分类结果的影响[22]。 全文查看链接