论文部分内容阅读
人工免疫系统是借鉴生物免疫系统中的信息处理机制而设计的模型和算法,提供了一种解决复杂计算问题的新颖途径。目前,人工免疫系统在诸如故障检测、数据挖掘、优化等多个领域中表现出了很强的问题求解能力。非选择算法是人工免疫算法中的重要分支之一。此算法可以分为以下三个步骤,即定义自我集、检测器生成、使用生成的检测器进行检测。其中,检测器生成算法是非选择算法的核心部分。检测器生成算法早期的研究主要是着眼于离散空间,但自2002年实值非选择算法被提出后,越来越多的工作开始关注实值检测器生成算法的研究。本文主要的研究内容如下:(1)提出了一种新的基于划分-测试的实值检测器生成算法(Real-Valued Detector Generation Algorithm based on the Partition-Test Proess:PT-RNSA)。与传统的实值非选择算法相比,PT-RNSA是一种确定性的算法,可以确保除边界区域外的非我区域均可被成熟检测器覆盖。通过与V-detector算法的实验对比,PT-RNSA显示了其在检测率与成熟检测器生成代价方面的竞争力。但是与V-detector相比,仍有不足,主要是要达到比较高的检测率,其所需的成熟检测器数目非常多。(2)在PT-RNSA算法的基础上,提出了基于划分-测试-扩展的算法(Real-Valued Detector Generation Algorithm based on the Partition-Test-Spread Proess:PTS-RNSA)。PTS-RNSA在划分-测试的基础上,引入了扩展策略,在保持PT-RNSA原有算法特性的前提下,减少了所需的成熟检测器个数。实验结果显示,PTS-RNSA算法比PT-RNSA有了较大改善。与此同时,与V-detector算法的实验比较结果说明,PTS-RNSA具有较好的竞争力。总的来说,本文针对于实值非选择算法的检测器生成问题,提出了基于划分-测试的算法和基于划分-测试-扩展的算法,并用实验结果证明了算法的有效性。这些工作不仅对非选择算法的进一步研究具有一定的意义,而且对于人工免疫系统的算法研究和实际应用具有参考价值。