第1篇：关于人工免疫系统的发展趋势研究

事实上，生命现象和生物的智能行为一直为人工智能研究者所关注，尤其是近10年人工智能的成就与生物有着密切关系，不论是从结构模拟的人工神经网络，还是从功能模拟的模糊逻辑系统，还是着眼于生物进化微观机理和宏观行为的进化算法，都有仿生的痕迹.也正是模仿生物智能行为，借鉴其智能机理，许多解决复杂问题的新方法不断涌现，丰富了人工智能的研究领域。人工免疫系统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，因此具有提供新颖的解决问题方法的潜力。其研究成果涉及到控制、数据处理、优化学习和故障诊断等许多领域，己经成为继神经网络、模糊逻辑和进化计算后人工智能的又一研究热点。

1人工免疫系统的历史

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.人工智能对神经系统的借鉴和模拟的成果很丰富，己经有比较成熟的方法和模型以资利用，相比较而言，对免疫系统和内分泌系统的相应研究还处于初级阶段。

需要说明的是，本文的人工免疫系统指应用于人工智能领域的免疫机理和由此而形成的方法和理论，即计算机实现的数字化免疫系统智能计算模型.其作为智能策略的研究也只是近十几年的事，是人工智能的一个新兴研究领域。

1.1生物免疫研究的发展

在生物学领域中，免疫学是一门相对年轻的学科，然而，人类对自然免疫的认识可以追溯到300年以前.早在17世纪，我国医学家就创造性地发明了人痘以预防天花.1796年英国医生EdwardJenner“牛痘”的发明，取代了人痘苗，是公认的现代免疫学开端.法国免疫学家Pastern?发明了减毒细菌疫苗，奠定了经典免疫疫苗的基础.经过300多年的发展，免疫学己经从微生物学的一章发展成一门独立的学科，并派生出若干分支，例如，细胞免疫学、分子免疫学、神经与内分泌免疫学、生殖免疫学和行为免疫学等。事实上，人们对自然免疫系统的认识还不是十分充分，只是在免疫系统理论上‘建立一个合作系统的综合性理论的基础和需要都己很明显”。就现有的免疫系统理论而言，为学术界所接受，并为工程应用尤其是人工智能领域所借鉴的主要是Burnet的克隆选择学说和Jerne的免疫网络学说。

1.2人工免疫系统的研究概况

Farmer等人（1986)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。在我国，靳蕃教授在1990年前后就己经指出‘免疫系统所具有的信息处理与肌体防卫功能，从工程角度来看，具有非常深远的意义”。但是，这以后的研究成果比较少见。

直到1996年12月，在日本首次举行了基于免疫性系统的国际专题讨论会，首次提出了“人工免疫系统”的概念.随后，人工免疫系统进入了兴盛发展期，ta(1997)和丁永生(2000)等认为人工免疫系统己经成为人工智能领域的理论和应用研究热点，相关论文和研究成果正在逐年增力口.1997和1998年IEEESystems，ManamiCybernetics国际会议还组织了相关专题讨论，并成立了“人工免疫系统及应用分会。

2人工免疫系统的研究领域

DDasgupta(1997)系统分析了人工神经网络和人工免疫系统的异同，认为在组成单元及数目、交互作用、模式识别、任务执行、记忆学习、系统鲁棒性等方面是相似的，而在系统分布、组成单元间的通信、系统控制等方面是不同的；并指出，自然免疫系统是人工智能方法灵感的重要源泉。YDote(998)拓展了软计算的概念，认为应该包括免疫网络和混沌理论。Gasper(999)等认为多样性是自适应动态的基本特征，而AIS是比GA更好地维护这种多样性的优化方法。免疫系统所表现出的“学习”行为丰富了模式识别方法.

人工免疫系统的研究主要集中在以下几个方面：

2.1人工免疫系统模型的研究

由于免疫系统本身比较复杂，因此人工免疫系统模型的研究相对较少.Jang-SmgChu(1998)等介绍了免疫算法的数学模型和基本步骤，阐述了它不同于其他优化算法的优点.最后将免疫算法、遗传算法和进化策略同时应用于求解dnc函数的最优值，以进行比较研究.指出免疫算法在求解某些特定优化问题方面优于其他优化算法，有广阔的应用前景1%.基于抗原-抗体相互结合的特征，ATamkanov(2000)等建立了一个比较系统的人工免疫系统模型，并指出该模型经过改进后用于评价加里宁格勒（kaliningrai)生态学地图集的复杂计算。JTimmis(2001)等提出了一种资源限制的人工免疫系统方法，该算法基于自然免疫系统的种群控制机制，控制种群的增长和算法终止的条件，并成功用于Fisher花瓣问题中不是基于免疫系统，而是基于抗体单元的功能提出了一种非网络的人工免疫系统模型。

2.2免疫机理的研究

为了适应环境的复杂性和异敌的多样性，生物免疫系统采用了单纯冗余策略.这是一个具有高稳定性和可靠性的方法.免疫系统是由107个免疫子网络构成的一个大规模网络，机理很复杂，尤其是其所具有的信息处理与机体防御功能，为工程应用提供了新的概念、理论和方法.对这些可借鉴的相关机理扼要阐述如下：

(1)记忆学习免疫系统的记忆作用是众所周知的，如患了一次麻疹后，第二次感染了同样的病毒也不致发病.这种记忆作用是由记忆T细胞和记忆B细胞所承担的.这是因为在一次免疫响应后，如果同类抗原再刺激时，在短时间内，免疫系统会产生比上一次多得多的抗体，同时与该抗原的亲和力也提高了.免疫系统具有识别各种抗原并将特定抗原排斥掉的学习记忆机制，这是与神经网络不同的记忆机制.

(2)反馈机制图1反映了细胞免疫和体液免疫之间的关系，以及抗原(Ag)、抗体(Ab)、B细胞（B)、辅助T细胞（H)和抑制T细胞(TS)之间的反应，体现了免疫反馈机理.其中，IL+表示TH细胞分泌白细胞介素，IL一表示TS细胞分泌白细胞介素。当抗原进入机体并经周围细胞消化后，将信息传递给T细胞，即传递给TH细胞和TS细胞，TS细胞用于抑制TH细胞的产生.然后共同刺激B细胞，经过一段时间后，B细胞产生抗体以清除抗原.当抗原较多时，机体内的TH细胞也较多，而TS细胞却较少，从而产生的B细胞会多些.随着抗原的减少，体内TS细胞增多，它抑制了TH细胞的产生，则B细胞也随着减少.经过一段时间后，免疫反馈系统便趋于平衡.利用这一机理可提高进化算法的局部搜索能力，突出具有特异行为的网络。

(3)多样性遗传机理在免疫系统中，抗体的种类要远大于己知抗原的种类.解释抗体的多样性有种系学说和体细胞突变学说.其主要原因可能是受基因片段多样性的联接以及重链和轻链配对时等复杂机制所控制.该机理可以用于搜索的优化，它不尝试于全局优化，而是进化地处理不同抗原的抗体，从而提高全局搜索能力，避免陷入局部最优。

(4)克隆选择机理[23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.细胞的无性繁殖称为克隆.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.但是，克隆一无性繁殖一中父代与子代间只有信息的简单复制，而没有不同信息的交流，无法促使进化.因此，需要对克隆后的子代进行进一步处理。可以看出，克隆的实质是在一代进化中，在侯选解的附近，根据亲合度的大小，产生一个变异解的群体，从而扩大了搜索范围，可以增加抗体群的多样性，有助于防止进化早熟和搜索陷于局部极小值；进一步可以认为，克隆是将一个低维空间（n维)的问题转化到更高维(N维）的空间中解决，然后将结果投影到低维空间（n维)中。

(5)其他机理免疫系统所具的无中心控制的分布自治机理、自组织存储机理、免疫耐受诱导和维持机理以及非线性机理均可用于建立人工免疫系统。

2.3人工免疫算法的研究

正是因为对免疫机理的认识还不十分系统深入，所以，有关于免疫算法（以下简称免疫算法）的研究主要集中在利用免疫机理改进其他的算法以构成新的算法，如免疫-遗传算法、免疫-神经网络等等，而关于人工免疫系统本身的算法研究成果并不多，至于利用免疫机理改进其他的算法，又主要集中在遗传算法.RDeaton(1997)[14，孟繁桢（1997)[*]，周伟良（1999)[37，王煦法（1999)[38，曹先彬（2000)[39，邵学广（2001)[4)]，王磊(2001)41]等从不同的角度研究了利用免疫机理改进遗传算法的方法，克服遗传算法过早收敛的问题，获得了满意的效果.如，武晓今等（001)探讨了免疫遗传系统的构造，及其在函数寻优中的应用[42.曹先彬(2000)等借鉴生物免疫中的独特性网络调节理论，将进化个体对应为免疫系统中的抗体群体适应度增量作为抗原，提出了一种改进遗传算法，实现了个体群在群体收敛性和个体多样性之间动态平衡的调整[39.孟繁桢（1997)等提出具有免疫体亲近性特征的遗传算法，增加了在己知的优秀个体中扩大同类个体范围的功能，避免了在同类个体中的最优秀者被丢失的可能性，同时保留了通常的遗传算法的交叉、变异等遗传算子，扩大了全局的搜索范围，避免了局部收敛[36.这些改进算法可以快速求出满足一定精求的最优解对解决工程应用问题具有用录。

KKishnaKumarC1997)等将神经网络和免疫系统机理结合提出了“免疫神经控制ONC；)”的结构i(1999)等提出了一种基于免疫系统反馈机理的自适应学习的神经网络控制器。李亭鹤等(2001)针对凹形重叠区难以精确寻点的问题，提出了一种新的洞点搜索方法：感染免疫法.实际应用表明，该方法无论是寻点能力还是在通用性方面都优于传统模式。

2.4人工免疫系统方法的应用研究

(1)控制KKrishnaKumar(1997)等将“免疫神经控制(INC)”用于复杂动力学系统的模型自适应控制，效果良好K1999)等提出了一种基于免疫系统反馈机理的自适应学习的神经网络控制器，避免了神经网络学习在最小值附近的摆动，提高了收敛速度。丁永生（2000)等针对低阶或高阶对象，提出一种新颖的基于生物免疫系统反馈机理的通用控制器结构。该控制器包括一个基本的P型免疫反馈控制器和一个增量模块，P型免疫反馈规律由模糊控制器自动调整，控制增量模块可以由常规控制或神经网络来实现。激光热疗法中组织温度控制的计算机仿真结果表明，该控制器的控制性能优于常规控制器.李海峰等（2001)提出了以电力系统电压调节为应用目的的免疫系统的基本模型，演示了应用于STATCOM的细胞免疫电压调节器的控制作用|46.

(2)规划高洁(2001)将一种新的随机优化方法一免疫算法应用于电网规划，利用IEEE-6节点系统作为样本网络进行分析计算.并将该方法跟基于遗传算法的电网规划方法进行比较，结果表明免疫算法在全局寻优的性能方面要优越于遗传算法。

(3)设计张军(2000)等利用共生进化原理设计人工神经网络，创造性地融入了免疫调节原理中的浓度抑制调节机制以保持个体的多样性，提出了基于免疫调节的共生进化网络设计方法148.周伟良（1999)等结合遗传算法的随机全局搜索能力和生物免疫中抗体通过浓度的相互作用机制，构造了免疫遗传算法，并利用实验验证了其在设计神经网络时的有效性。

(4)组合优化曹先彬（2000)等用一种免疫遗传算法有效解决了装箱问题的求解1391.王煦法(1999)，刘克胜（2000)等功实现了TSP优化。牛志强（2001)等用免疫算法解决CDMA中的多用户检测问题。曹先彬等（2000)构造的免疫进化策略在求解二次布局问题时取得了完美的结果。

(5)图象处理DFMcCoy(1997)等将人工免疫系统用于图象分割。王肇捷（2001)等为了得到最佳视差图，将免疫算法用于解决计算机视觉中的立体匹配；与基于像素点灰度匹配相比，免疫算法的匹配效果好；与模拟退火匹配相比，虽然都能得到全局最优的视差图，但免疫算法的匹配速度快。

(6)数据处理邵学广（2000)将免疫机理用于信号拟合，实现了多组分混合色谱信号的解析。利用免疫一遗传算法实现了二维色谱数据的快速解析|55]；通过对免疫系统中抗体对外来抗原的识别、肖除等过程的模拟，建立了一种新型的免疫算法模型，为利用数据库解析混合物或生物大分子等物质的复杂NMR谱图开辟了一条全新的途径。杜海峰等基于智能互补融合观点，提出了一种新的数据浓缩方法ART-人工免疫网络，并用于R2空间分类和Fisher花瓣问题的实验。

(7)知识发掘JTimmis(1999)等将人工免疫系统用于数据库知识发现，与单一联结聚类分析和Kononen网络作了比较，认为人工免疫系统作为数据分析工具是适合的。

(8)机器人DDasgupta(1998)基于人工免疫系统建立了多智能体决策系统|57].HMech1ef(2000)等探讨了自然免疫系统的行为，并利用其对外部环境变化敏感的特性改进DNA算法，用于“狗一羊”问题的结果表明，改进的DNA算法适用与解决分布式自动机器人系统问题。JiirHyungJun(1999)等人工免疫系统在分布式自动机器人系统实现了协作和群行为。RLKing(2001)等提出了一个用于智能体的人工免疫系统模型，并总结了人类免疫系统可用于人工免疫系统智能体的主要功能。刘克胜(2000)基于免疫学的细胞克隆学说和网络调节理论，提出了能有效增强自律移动机器人在动态环境中自适应能力的新算法.

(9)故障监测和诊断DDasgupta(1999)等将人工免疫系统用于工业中，进行加工工具破损监测。刘树林等（2001)受生物免疫系统自己一非己识别过程的启发提出了反面选择算法，在故障诊断应用领域中改进了反面选择算法，提出了对旋转机械在线故障诊断的新方法。杜海峰等还将ART-人工免疫网络用于解决多级往复式压缩机故障诊断效果良好。

(10)其他人工免疫系统的理论和方法还广泛应用于计算机安全和密码学等领域.如杨晓宇等（2001)对AIS与网络安全相结合的基因计算机进行了全面的描述，并认为智能模拟在网络安全方面的应用前景广阔。

3一般模型

自50年代末以来，在免疫学中有2个学说占主导地位：抗体克隆选择学说和免疫网络学说（主要是独特型网络调节学说）.抗体克隆选择学说的要点是外来抗原选择出原先处于静止状态的互补细胞克隆，被选择细胞克隆的激活.增殖和效隆则被抑制或消除，因而对外来抗原的识别是关键的因素.免疫网络学说的观点是建立在自身识别上，认为免疫系统淋巴细胞上分布的特异性抗原受体可变区（V)组成内网络，通过免疫细胞相互识别V区上的抗原决定簇来实现免疫系统的功能；对外来抗原的应答，是建立在识别自身抗原基础上的反应.它们从不同的角度体现了免疫系统的三大功能：免疫防御(immunedefence)，免疫监视(immunesurveillance)和免疫自稳(immunehomeostasis)。

3.1生物免疫系统模型

免疫系统是一个由细胞、分子和器官组成的复杂系统，主要用于限制异物对肌体的侵害，并由此产生抗体引发免疫响应.肌体的异物被称为抗原（Antigen简称Ag)，由载体和半抗原(又称抗原决定簇或表位）组，正是由于抗原决定簇与抗体细胞相结合才能完成免疫应答.一类应答是由B细胞或B淋巴细胞产生抗体（Antibo伞，简称Ah)的响应，抗体成“Y”型，接受器分子就在B淋巴细胞的表面，主要利用相似形来识别和绑定抗原。

免疫系统最早被定义为一个庞大的复杂地识别抗原决定基与对位关系的系统.在免疫系统中相关的事件不仅是分子本身，也包括分子之间.免疫细胞可以对所识别的信号产生正的或负的反应.正的反映结果会使细胞增生，即或和分泌抗体负反应将导致容噪和抑制.在Varela&Coitinho(1991)提出的免疫网络模型中，即第二代免疫网络，它强调了免疫网络的三个主要特征：结构、动态特性和稳态特性.网络结构描述了分子与细胞间的相互作用，以及联接的构造形式.免疫动态是指网络连接的浓度和亲合度随时间的变化，而稳态特性是指免疫系统处在连续制造抗体同时祛除不再刺激的细胞的状态。

4人工免疫系统与其他方法的比较

4.1人工免疫系统与人工神经网络

神经网络和人工免疫网络都是由大量高性能单元组成的，具有容噪、泛化能力和记忆能力，以及通过竞争实现的并行分布处理能力.但是神经网络获得所识别对象内部镜像图是通过归纳实现的，即不断压缩原始图像，而人工免疫网络先构造一充分反映所识别对象性态的随机图，通过对该图像不断扩展与压缩来反映所识别对象，因此人工免疫网络的计算量很大而且主要集中在算法的初始阶段。

4.2人工免疫系统与进化计算

免疫算法和进化计算都是群体搜索策略，并且强调群体中个体间的信息交换，因此许多相似之处.首先在算法结构上，都要经过“初始种群的产生^评价标准计算^※种群间个体信息交互※新种群产生”这一循环过程，最终以较大概率获得问题的最优解；其次在功能上，二者本质上都固有并行性，在搜索中不易陷入极小值，都有与其他智能策略结合的固有优势；再次在主要算子上，多数免疫算法都采用了进化计算方法主要算子；最后，也正是因为二者存在共性，有关二者集成的智能策略一免疫一进化算法一成为免疫算法研究和应用的最成功的领域之一。

但是，它们之间也存在区别：（1)免疫算法在记忆单元基础上运行，确保了快速收敛于全局最优解；而进化算法则是基于父代群体标准遗传算法不能保证概率收敛；（2)免疫算法评价标准计算是计算亲合性（Affinity)，包括抗体-抗原的亲合度以及抗体-抗体亲合度；反映了真实的免疫系统的多样性(Diversity)，而进化算法则是简单计算个体的适应度；⑶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，这也是免疫策略用于改进进化算法的切入点；（4)虽然交叉变异等固有的遗传操作在免疫算法中广泛应用，但是免疫算法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.

4.3人工免疫系统与一般的确定性优化算法

与一般的确定性优化算法相比，多数免疫算法有以下显着特点：（1)它同时搜索解空间中的一系列的点，而不只是一个点；（2)它处理的对象是表示待求解的参数的编码数字串，而不是参数本身；（3)它使用的是目标函数本身，而不是其导数或其他附加信息；（4)它的变化规则是随机的，不是确定的。

5存在的问题和进一步研究的方向

5.1人工免疫系统存在的问题

一方面，由于对人工免疫系统的研究还处于起步阶段；另一方面，由于免疫机理复杂，系统庞大，甚至连免疫学家对免疫现象的认识和描述都比较困难，人工免疫系统可以借鉴的成果不多，因此人工免疫系统不论在模型建立，算法等方面都存在一定的问题.Gasper(1999)、DDasgupta(1997)等研究者认为人工免疫系统现在没有统一的基本框架，难以象人工神经网络那样用线性或非线性模型来对免疫机理进行抽象描述；虽然己经有免疫系统的非线性模型，但是，该模型多用于理论和实验的免疫学研究，还难以用于人工免疫系统实践。在分析了现有的免疫算法后，DDasgupta(1998)认为众多的计算模型只是从单一的角度模仿了免疫系统某一部分功能.而且，现有的免疫算法多集中在利用免疫机理改进己有的其他算法，尤其是对进化算法的改进。

就免疫系统机理本身来讲，也存在缺憾.为了构造防御系统(最优可行解集合)，获得初始抗体（解特征样本)，需要进行大量计算；标准人工免疫系统往往没有充分利用研究对象的先验知识；在数据处理中，人工免疫系统一般只能浓缩数据样本(获取样本空间中的特征点)，而不能对样本空间的构成进行优化(合理减少样本空间的维数）。

对于上述问题，仅仅通过深入认识相关免疫机理，进而对免疫系统算法本身改进，是难以获得彻底解决的.基于智能整合集成思想为问题的解决提供了可行之道，己有研究表明，结合其他智能策略(如模糊神经网络和粗糙集等)，利用系统的先验知识构造疫苗，加速初始抗体的获得，实现样本空间的降维，可以改善免疫算法的性能。

5.2人工免疫系统进一步研究的方向

客观地讲，人工免疫系统的相关算法多是在1997年后提出的，而且这些算法几乎都是针对特定问题而言的，对算法计算量估计、收敛性证明等深刻而具有普遍意义的研究成果还很少.因此，和多数学者一样，本文认为现阶段的人工免疫系统研究在解决其存在问题的基础上，应该着重进行研究的方向包括：

(1)进一步研究免疫系统的各种计算机理.只有对免疫机发现必将催化新算法的产生.

(2)改进己有的人工免疫系统模型.如前所述，现有的人工免疫系统模型还比较简单，不能满足人工智能应用的需要，具体地讲，就是利用模型深入理解算法的执行过程，分析算法的收敛性，计算量，为算法的评价和改进提供依据。

(3)为人工免疫系统开辟新的应用领域.与其他人工智能方法一样，应用是方法研究的价值体现，是检验算法优劣的标准.虽然，人工免疫系统在短短10年间获得了广泛的应用，但是在工程应用中，还没有取得和其他智能算法（如模糊逻辑、神经网络）一样的地位。

(4)基于人工免疫系统的智能整合集成方法研究.免疫系统的机理可以被用于改进现有的方法，许多新算法，如免疫-进化、免疫-神经网络等己经被提出，并有成功的应用.在这一交叉整合过程中诞生的新思想和新方法，正把人工免疫系统的能力扩展到能应付越来越复杂的问题，人工免疫系统也正以全新的方式对人工智能等学科作出贡献。

5.3基于人工免疫系统的综合集成

神经、内分泌和免疫三大系统虽有各自不同的功能，但在维持机体内环境稳定方面具有共性，有相似的活动规律及调节方式，它们相互作用和协调，形成一个紧密联系的复杂网络，共同完成调节整个机体功能的作用，以维持机体的健康和生命的延续.早在本世纪20年代，人们己注意到神经系统与免疫系统之间的关系.1924年Metalnikov己证明经典条件反射可改变免疫反应，说明免疫系统接受高级神经系统的影响.Besedovsky发现动物免疫应答过程中下丘脑神经元细胞放电频率发生变化，血浆及脾脏的去甲肾上腺素（NA)含量也发生明显改变.上述资料表明神经内分泌系统可调节免疫系统，免疫系统也可影响神经内分泌功能.1977年Besedovsky首先提出了神经一内分泌一免疫网络学说。

神经、内分泌及免疫这三大调节系统相互联系、相互补充和配合、相互制约的机理为基于人工免疫系统的智能综合集成提供了生物学基础。

本文提及的基于人工免疫系统的智能综合集成，不仅仅指己有的免疫一遗传方法、免疫一神经网络方法，而是希望能建立一个综合神经、内分泌及免疫这三大生物调节系统功能的大的协同集成框架.进而在这一集成框架下深入研究神经、内分泌及免疫的机理，提出新的算法，并使基于这些机理的方法能更广泛地用于工程实践。

在这一框架中，神经网络的研究比较成熟，免疫系统也己经起步，关于内分泌机理和算法的研究还未见报道，这必将是伴随着免疫系统研究，人工智能的另一新兴研究领域。

作者：焦李成，杜海峰(西安电子科技大学智能信息处理研究所与雷达信号处理重点实验室，陕西西安710071)

第2篇：研究人工免疫系统的应用情况

1引言

生物的智能行为一直被研究者所关注，生物的神经系统、遗传进化系统己被人们广泛研究，并在实际应用中取得了引人注目的成效。近年来，生物免疫系统也引起了人们的极大兴趣。生物免疫系统是识别生物体内的所有细胞并区分外部有害抗原和自身组织，从而清除病原并保持有机体的稳定。基于生物免疫系统的免疫机理发展的人工免疫系统，其应用己涉及到自动控制、故障诊断、模式识别、图像识别、智能优化、机器学习、数据挖掘、联想记忆、信息安全等许多领域，显示出人工免疫系统强大的信息处理和问题求解能力以及广阔的研究前景。目前，人工免疫系统的研究得到了许多大学、研究所和工业界的重视，且己成为许多国际期刊的重要议题。人工免疫系统的研究进展在国内外的综述性论文中有所涉及，国内学者丁永生、肖人彬、李士勇、韦巍等都进行了人工免疫方面的研究。本文对近年来人工免疫系统的研究成果进行阐述，介绍生物免疫系统的机理，给出人工免疫系统的模型和人工免疫算法，接着说明近年来人工免疫系统的应用情况，最后展望今后的研究方向。

2生物免疫系统的机理

生物免疫系统的主要功能之一是识别体内细胞，将其归类为“自我”和“非我”，并引发适当的防卫机制去除“非我”。自我对应于机体自身的组织；非我对应于外来有害病原或者体内病变组织。机体的免疫功能是在淋巴细胞、单核细胞和其他有关细胞的相互作用下完成的，淋巴细胞又分为B细胞和T细胞两种。B细胞的主要功能是产生抗体，并执行特异体液免疫功能，B细胞由骨髓产生；T细胞的主要功能是调节其它细胞的活动或直接对抗原实施攻击，T细胞由胸腺产生，分为抑制T细胞、辅助T细胞和杀伤T细胞三种。B细胞和T细胞进行克隆增殖、分化并表达功能。两种淋巴细胞共同作用并相互影响，形成机体内部的反馈型免疫网络。

从信息处理的角度来看，生物免疫系统具有强大的识别、学习和记忆能力以及具有分布式、自适应和多样性特性。生物免疫系统中的信息处理特性主要有：

(1)模式识别能力免疫系统能够认识不同的病原体并能产生相应的激励，区别“自我”和“非我”是生物免疫系统在模式识别阶段中的主要任务。

(2)特征提取抗原呈递细胞能够提取抗原特征，这一过程类同于某种滤波作用。

(3)多样性抗体多样性的生物机制主要包括生物免疫受体库的组合式重整、体细胞高突变以及基因转换等，抗体经过基因片断重组后，产生了多样性的抗原识别受体。

(4)学习能力生物免疫识别的过程是一个学习的过程，学习的结果是生物免疫细胞的个体亲合度提高、群体规模扩大、并且最优个体以免疫记忆的形式保存。

(5)记忆能力当生物免疫系统初次遇到一种抗原时，淋巴细胞需要一定的时间进行调整以更好地识别抗原，并在识别结束后以最优抗体的形式保留对该抗原的记忆信息，而当生物免疫系统再次遇到相同或者结构相似的抗原时，在联想记忆的作用下，其应答速度大大提高。

(6)分布式检测生物免疫系统的分布式特性首先取决于病原的分布式特征，即病原是分散在机体内部的，生物免疫细胞不断地在体内运动寻找新的抗原进入，一旦检测到抗原的进入，淋巴细胞就会产生免疫响应；其次生物免疫系统的分布式特性有利于加强系统的鲁棒性，从而使得生物免疫系统不会因为局部组织损伤而使整体功能受到很大影响。

(7)自适应性分散于机体各部分的淋巴细胞采用学习的方式实现对特定抗原的识别，完成识别的抗体分化为效应细胞和记忆细胞分别实现对抗原的有效清除和记忆信息保留，这个过程实际上是一个适应性的应答过程。

(8)克隆选择当淋巴细胞实现对抗原的识别后，B细胞被激活并增殖复制产生B细胞克隆，随后克隆细胞经历变异过程，产生对抗原具有特异性的抗体。克隆选择的主要特征是生物免疫细胞在抗原刺激下产生克隆增殖，随后通过遗传变异分化为多样性效应细胞和记忆细胞。

(9)免疫网络免疫网络理论对生物免疫细胞活动、抗体生成、免疫耐受、自我和非我识别、生物免疫记忆和生物免疫系统的进化过程等作出了系统的假设，并且将生物免疫系统视为由免疫细胞或者分子组成的调节网络，生物免疫系统以抗体间的相互反应和不同种类生物免疫细胞间的相互通信为基础，抗原识别是由抗原相互作用所形成的免疫网络完成的。

（10）协同激励B细胞的激活度将受到T细胞的作用和影响。

3人工免疫模型

Jeme首次提出了独特型免疫网络模型，给出了免疫系统的数学框架，并用微分方程模型对淋巴细胞的动态性进行仿真。peelom是出了独特型网络的概率描述方法，讨论了独特型网络中的相传输。Tmg基于免疫系统中B细胞和T细胞的相互作用机理，提出了一种多值免疫网络模型用于模式识别，这种模型不但具有良好的记忆能力，而且还可以抑制噪声。Smith指出免疫记忆是一种具有鲁棒性的联想记忆，并且将它与分布式记忆相比较。Abbatii基于免疫网络的学习和自适应原理提出了免疫联想记忆模型，用于模式识别。Ihguo提出了一种互联耦合免疫网络模型，即免疫系统是通过多个完成某一特定任务的局部免疫网络之间相互通信来形成大规模免疫网络。za模拟免疫系统的功能提出了免疫系统的随机模型，这种模型具有自我和非我识别、自修复、目标捕捉与攻击、复制等功能。Klemstem是出了一种修正细胞自动机的模型来模拟人体免疫系统，模拟对象包括B细胞、T细胞、抗原呈递细胞、抗体、抗原。与基于常微分方程的免疫系统模型相比，其优点是：（1)免疫系统模型具有随机特性，能够估算系统行为的概率分布；（2)细胞自动机中的非线性不是根本性问题，不会带来求解困难；（3)细胞自动机能够用生物学语言表示模型，使得模型的表示更具生物学特性，便于估计研究结果的实用性。Tinmis提出了一种简化的人工免疫系统模型，它由一群B细胞组成，分为两个子群：初始群和克隆群，两个B细胞之间的亲和力用它们之间的欧几里得距离表示，此模型可用来分析数据。Homey建立了一个人工免疫系统框架，它是分布式自适应系统，适合多种应用领域，具有免疫系统的多样性、分布计算、容错、动态学习、自适应、自我监视等特点。模型要点如下：（1)将构成抗原、抗体的蛋白质链表示为固定长度L的二进制字串，令包含所有长度为L的二进制字串的集合为论域UU划分为两个不相交的子集，分别称为自我和非我；（2)将抗原和受体定为固定长度L的二进制字串，抗原和受体的结合强度定为两种相应字串的匹配程度，采用相邻位匹配规则，即如果有r个相邻位相同，则这两个字串匹配。淋巴细胞的激活条件为，一个检测器必须在给定的时间内至少匹配r个字串；（3)淋巴细胞被称为阴性检测器，当检测到非我时，淋巴细胞被激活，实际免疫系统是通过阴性选择完成T细胞的耐受性训练的。

4人工免疫算法

4.1免疫优化算法

Chu基于体细胞理论和免疫网络理论提出了一种免疫优化算法。免疫优化算法的基本思想是将抗原对应于目标函数和约束条件，抗体对应于搜索空间的解，用抗原与抗体之间的亲和力对解进行评价和选择。当某种抗体的数量大于某个阈值时，产生抗体的细胞将分化为抑制性细胞和记忆细胞，抑制性细胞抑制这种抗体的增加，记忆细胞将此抗体对应的解记为局部最优角解该算法是遗传学习算法的改进和更新。

4.2免疫算法

Ihd基于免疫记忆学说和免疫网络学说提出了Agents构的人工免疫系统，从而借助Agem技术设计人工免疫系统及其免疫Agem算法。该算法分三步进行：

(1)多样性产生重新组合识别器的一般算法，保证其特征的多样性，从而产生多样性的识别器；

(2)自忍耐建立滤波去除自己模式的识别器，使识别器对己知的模式不敏感；

(3)记忆非己激活记忆非己模式的识别器，使识别器对未知的模式更加敏感。

4.3克隆选择算法

DeCs堤出了如下的克隆选择算法：

(1)产生候选方案的集合SP)

(2)基于亲和度度量确定群体P中的N个最佳个体Pm

(3)对群体中这N个最佳个体进行克隆（复制）生成临时克隆群体C

(4)对克隆生成的群体施加变异操作，变异概率反比于抗体的亲和度，生成一个成熟的抗体群体C#

(5)从CC中重新选择改进个体组成记忆集合，P集合的一些成员可以由C的其他改进成员加以替换；

(6)将群体中的D个低亲和度的抗体予以替换，从而维持抗体的多样性；

(7)返回（2)循环计算，直到满足终止条件。

4.4否定选择算法

Forei根据免疫系统的自我/非我区别原则，研究了一种检测变化的否定选择算法。该算法主要包括两个步骤：（1)产生一个检测器集合，集合中每一个检测器与被保护的数据不匹配；(2)不断地将集合中每一个检测器与被保护数据相比较，如果检测器与被保护数据相匹配，则判断数据发生了变化。否定选择算法为免疫在计算机网络安全领域中的应用奠定了理论基础。

4.5模式识别算法

Hunt开究了人工免疫系统在模式识别领域中的应用，提出了骨髓功能模拟，它用来决定B细胞的再生和死亡，Bffi胞的死亡条件取决于免疫响应程度。该算法为：

(1)随机生成B细胞初始群体；

(2)装入抗原样本群；

(3)运行（4)到（1)直到满足终止条件；

(4)随机从抗原样本群中选择一个抗原；

(5)随机从B细胞网络中选择一点，并插入抗原；

(6)选择此点B细胞邻域内某个百分比数的所有B细胞；

(7)对以上选中的B细胞，计算每个B细胞与该抗原的免疫响应程度；

(8)根据免疫响应程度进行排序；

(9)清除免疫响应程度最差的5%B细胞群体；

（10）产生n个新的B细胞（其中n为25%B细胞群体）

(11)选择0个B细胞加入免疫系统中去（其中m为5%B细胞群体），利用该算法可以实现模式识别和DNA序列识别。

5人工免疫系统的应用

5.1机器人学

人工免疫系统在机器人行为控制、行为仲裁和路径规划等方面得到了较好的应用。MiSmcDtc基于免疫系统的自我/非我识别网络，开发了动态环境中的自适应移动测量算法并将其应用到多主体机器人系统中，他还进一步研究了基于免疫的自组织多机器人系统群体控制策略。Shiguo用免疫网络模型确定机器人的行为决策，把机器人的每个行为看作一个抗体，机器人所处的环境看作抗原，多个抗体相互刺激或抑制，最终选择一个抗体作为机器人的行为决策。

5.2优化计算

免疫系统多样性的遗传机理可用于寻优搜索，改善遗传算法对局部搜索问题不是很有效的情况，避免早熟收敛，也可用于处理受约束的遗传搜索和多准则问题。Chu用免疫算法优化设计同步电动机的参数。Tazwa用免疫算法对VLSI印刷线路板的布线进行优化设计。Hurng用免疫算法来解决生产调度问题。这些优化问题还包括旅行商问题、二次分配问题和装箱问题等。在大多数情况下，免疫算法比现有启发式算法有更好的求解结果，求解效率更高，显示出人工免疫系统在优化领域中具有广阔的应用前景。

5.3模式识别

免疫系统强大的识别能力在模式识别中得到了广泛的应用。Fort合出了免疫系统的二进制模型，研究了模式识别问题和免疫系统中个体与群体水平上的学习机制，其中抗体和抗原用二进制编码表示，模式匹配采用部分匹配规则。Hum开发了一种具有学习能力的人工免疫系统并将它用于模式识别。人工免疫系统操作包括一个根对象、一个B细胞网络、一组学习样本和一组测试数据，网络中每个细胞具有一个模式匹配文件^该系统具有与免疫系统相似的两种反应：初次反应和再次反应。初次反应是学习阶段，人工免疫系统从输入样本数据中学习模式；再次反应是模式识别过程，人工免疫系统将新的数据根据以前学习的相关数据进行分类。

5.4故障诊断

故障诊断具有重要的实际意义，因为一旦某一设备出现故障，可能会波及整个系统，甚至引起严重后果。Shida研究了基于PDP网络模型的学习算法在分布式故障诊断中的应用，将免疫网络模型用于故障诊断中的相互特征识别，该模型有以下特点：（1)具有并行处理能力；（2)能处理不完整的信息和数据；(3)具有自组织能力；（4)在失效传播中有必要的反馈回路。Mizeyi用独特型免疫网络诊断传感器的故障，网络中的每个节点代表一个传感器，各对应一个状态，节点间的连接权值表示节点间的关系，根据节点的状态判断传感器是否出现故障。

5.5数据挖掘

数据挖掘是从大量的数据中寻找隐含的、深层次的信息，是一个从系统内部自动获取知识的过程。TmmS比较了人工免疫网络、聚类分析和神经网络三种方法在数据挖掘中的应用和各自特点，指出应用人工免疫系统进行数据挖掘，可以训练数据进行建模，对输入空间的大区域有泛化能力，并能更好地解释进化网络^Deosr研究了基于免疫网络模型的高维原始数据的聚类分析，通过人工免疫网络的进化实现对冗余数据的去除，深入研究了数据的结构表示和空间分布，并揭示了数据簇内的相互关系。

5.6计算机安全领域

随着计算机系统及其互联网的高速发展，计算机网络安全成为日益突出的问题，而防御异常入侵、防范病毒等都可以从生物免疫机制中获得不少启发。Dagupa将人工免疫网络的分布性、鲁棒性、动态性、多样性和自适应性应用到计算机网络的安全领域，采用否定选择算法进行计算机网络入侵检测，一旦表示“非己”的检测器与新的“自己”模式的相似度达到所设定的阈值，系统将发出报警信号并进行基于Agen啲入侵检测。Foes用反向选择算法监控UnX进程，其目的是检测计算机系统的有害侵入实现时先识别Unix进程中的“自己”，然后重新定义“自己”来调节在计算机动态环境中的合法活动，并使这种定义对病毒的攻击敏感。

6结束语

自然免疫系统是一种具有高度分布性的自适应学习系统，它具有完善的机制来抵御外来病原体的入侵。由于自然免疫系统具有强大的信息处理能力，尤其是在完全并行和分布的方式下实现复杂的计算，因而成为一个很有研究价值的课题。虽然人工免疫系统己经取得了一定的成果，但总体来说，人工免疫系统的研究还处于起步阶段，进一步的研究方向有：

(1)进一步从计算的角度理解免疫系统中各组成部分的功能和内在机理，在一个整体框架下对免疫系统所有潜在的有用特性进行集成研究，以开发鲁棒和巨大并行性的自适应免疫计算理论。

(2)开发新的免疫模型和算法，加深算法的理论分析研究，包括参数分析、收敛性证明、稳定性分析、学习效率分析等。

(3)将人工免疫系统与模糊系统、神经网络和遗传算法等进行集成，研究新型的智能系统方法。

(4)拓宽人工免疫系统的应用领域，结合飞速发展的计算技术，加强免疫的分布性、鲁棒性、自适应性及容错性等方面的应用研究，并研制出实际产品。

作者：梁新荣12刘智勇2毛宗源1  1华南理工大学自动化科学与工程学院广东广州510640)；2(五邑大学信息学院广东江门529020)