9.2.3  一般的免疫遗传算法

为了克服遗传算法在解决全局最优化问题时出现早熟收敛问题，提高遗传算法的全局搜索能力，将免疫算子与传统遗传算法相结合，构造出一种改进的遗传算法——免疫遗传算法。形式上比较免疫算法和免疫遗传算法，就是在免疫算法中添加了遗传算子，与遗传算法相比，增加了抗原识别、记忆功能和调节功能，并没有附加复杂的操作，也没有降低遗传算法的鲁棒性，免疫遗传算法兼顾了搜索速度、全局搜索能力和局部搜索能力。

在解决实际问题时，将待求解的优化设计问题作为抗原，将问题的解作为抗体，通过抗原和抗体的亲和度描述可行解与最优解的逼近程度。免疫遗传算法是从随机生成的初始解抗体种群出发，对父代（当前代）抗体群进行交叉、变异等遗传操作后，计算抗体的浓度，根据抗体的期望繁殖率进行选择操作，期望繁殖率高的个体有较高的概率被选中并复制到下一代，如此产生的子代通常优于父代。上述过程循环执行直到满足停止条件，最终使优化过程以大概率趋于全局最优解。免疫遗传算法的一般算法流程图如图9-3所示。

图9-3 免疫遗传算法的一般流程图

免疫遗传算法可以克服遗传算法收敛方向无法控制的缺陷，把目标函数和约束条件作为抗原，这样做能保证所产生的抗体直接与问题相关联，收敛方向能得到控制。生成的抗体可以有效地排除抗原，也就相当于求得问题的最优解。对抗原亲和力高的抗体进行记忆，能够促进快速求解，即当遇到同类的抗原时可以快速产生相应的抗体。在许多方面表现出超越遗传算法和免疫算法的优点。