自然免疫系统作为具有很高智能行为的并行、分布式、自适应信息处理系统,为实时问题的解决提供了新的契机;充分挖掘、利用、借鉴这种系统的丰富资源,不断开发新的及丰富、发展和完善已有的人工免疫模型,并展开其理论及应用研究,已成为人工智能中人工免疫系统理论及应用的重要研究内容及发展主流。在这种背景下,本论文针对最优化、数据聚类、信号模拟问题,借鉴免疫学中免疫应答理论提出一系列新的智能算法,并展开一系列理论及应用探讨。所提出的算法可概括为三类:免疫算法、多目标优化免疫算法及免疫网络算法。这些算法从不同侧面反映了免疫系统的特定动力学行为,丰富和发展了人工免疫系统的内涵。理论研究、性能测试、比较及实际应用表明已获算法是可行的且有效的。本研究工作所取得的研究成果概括如下:一、免疫算法及多目标优化免疫算法理论与应用1. 基于体液免疫建立人工免疫系统中免疫算法的一般框架,获得此算法的收敛性及收敛速度估计;给出启发式随机搜索优化算法稳定性概念,进而借助含扰动的区间适应度函数性质探讨免疫算法的稳定性理论;从实验角度获其鲁棒性及低计算复杂度。仿真比较及应用论证了该算法的有效性。2. 将免疫系统的部分机制与相关方法结合,设计适用于连续空间优化问题的四种快速寻优算法,并进行收敛性研究、实验比较和应用,即克隆选择原理的简化机制与小生境实现方法结合获小生境免疫算法,与免疫网络抑制的思想结合获具有动态特性的动态规模免疫算法,与黄金分割方法及约束处理方法结合获得约束优化免疫算法,与模糊规则结合获得能改善动态规模免疫算法搜索性能的模糊免疫控制算法,对前三种算法进行收敛性论证、性能测试、比较及应用,对后一种算法进行性能测试,分析其突现性质。其次,提出一种适用于约束优化的神经网络,获得其稳定性理论,分析该算法与约束优化免疫算法的异同。3. 基于免疫系统中抗体群应答抗原群的特征,借助克隆选择原理的简化机制、免疫网络抑制思想及 Pareto 最优解概念,设计具有动态特性的非约束多目标优化免疫优化算法处理非约束多目标函数优化问题,论证其收敛性。建立探讨启发式随机搜索的多目标优化算法的稳定性理论框架,获得了所提出的非约束多目标优化免疫算法的稳定性结论;性能测试、比较和实际应用论证了其有效性。其次,利用抗原群及抗体群的作用关系,结合免疫记忆细胞的记忆功能,并借助于克隆选择原理、免疫网络的调节机制及约束条件处理方法,设计约束多目标优化免疫算法处理约束多目标优化问题,收敛性论证、性能测试、比较及实际应用表明此 III<WP=6>中文摘要算法是有效的。二、免疫网络算法及应用1. 利用独特型免疫网络理论设计适用于少量样本聚类的简单人工免疫网络算法,进而与模糊逻辑结合建立用于样本分类的模糊免疫网络分类算法,并利用一组给定样本测试了其搜索性能。2. 为了对免疫系统中抗体如何学习抗原特征的整体行为有一定的认识,从单个抗体识别抗原及多个抗体并行识别抗原的特征出发,利用免疫应答的相关原理及免疫细胞的免疫功能设计了适合于批量样本聚类的抗原特征学习算法,理论上分析了其计算复杂度,获得了此算法中的关键参数与其搜索性能的关系;应用上,该算法通过对实际的多样本学习,获得了搜索速度快及聚类效果好的优点,比较分析表明这种方法是可行的和有效的。3. 针对多个子目标迭加构成目标函数的优化问题,利用克隆选择原理及独特型免疫网络调节的思想设计具有信息反馈的免疫网络优化算法,进而结合 BP 网络结构设计 BP 免疫网络算法,仿真比较和实际应用表明此算法能极大地提高其寻优速度。概括起来,本论文在借鉴自然免疫系统的机理开发人工免疫模型并探讨其理论和应用方面作了许多工作,为人工免疫系统的研究增添了新的血液。其次,不断丰富和完善已获人工免疫模型,进一步深入研究其理论基础和拓宽其应用领域是今后工作的研究重点和发展方向。