一種基于生物免疫遺傳學(xué)的新優(yōu)化方法論文
1引目
簡單遺傳算法（SimpieGeneticAigorithm，簡記為SGA）是由Michigan大學(xué)的Hoiiand教授等創(chuàng)立的，主要理論基礎(chǔ)是生物進(jìn)化論和群體遺傳學(xué)。SGA的基本特征是：利用群體進(jìn)化一一即在求解過程中，通過使種群不斷優(yōu)化，從而找到滿意解或最優(yōu)解。對于許多常規(guī)方法難以有效解決的非線性優(yōu)化問題，
SGA往往能夠奏效，因此在許多工程問題的解決中，SGA獲得了廣泛的應(yīng)用。
SGA在理論上借鑒生物進(jìn)化理論以及遺傳學(xué)機(jī)理，已經(jīng)形成了一套較為完善的算法體系，然而在實(shí)際使用中，還有許多問題有待進(jìn)一步研宄探討。例如，對于單調(diào)函數(shù)或單峰值函數(shù)，在初始時很快向最優(yōu)值逼近，但是在最優(yōu)值附近收斂較慢；而對于多峰值函數(shù)的優(yōu)化問題，它往往出現(xiàn)“早熟”即收斂于局部極值。宄其原因，主要是通常使用的SGA的選擇策略多采用個體繁殖機(jī)會同其適應(yīng)值成正比例的方法，這樣就很容易導(dǎo)致超級個體問題和多個相似數(shù)字串問題[l]。交叉算子的設(shè)計一般都采用隨機(jī)交叉的方式，由兩個個體的交叉產(chǎn)生兩個新個體，其結(jié)果是父代與子代間很相似，這也會導(dǎo)致如上的問題。因此，有必要研宄如何改進(jìn)SGA，采用合適的算法加快多峰值函數(shù)的尋優(yōu)速度和質(zhì)量。
另一方面，目前許多有關(guān)智能系統(tǒng)的研宄都是圍繞人腦智能及其學(xué)習(xí)機(jī)制進(jìn)行的。這些擬人化方法都忽略了與人腦行為方式并不明顯相關(guān)的另一類智能系統(tǒng)——免疫系統(tǒng)。生物體的免疫系統(tǒng)具備很高的智能級（highieveiofinteiigence），但它與人腦的行為方式的確沒有明顯聯(lián)系。由于實(shí)際的生物體免疫系統(tǒng)具備免疫記憶、記憶開發(fā)（長期和短期）、混沌識別、自適應(yīng)網(wǎng)絡(luò)調(diào)節(jié)等許多優(yōu)良功能，因此，我們可以考慮模擬其實(shí)際行為規(guī)律，設(shè)計出相應(yīng)的數(shù)學(xué)算法來解決實(shí)際問題。
在免疫系統(tǒng)中產(chǎn)生的抗體是用于對付和消除外來抗原的。如果我們進(jìn)行類比——對于一個優(yōu)化問題而言，抗原對應(yīng)問題的目標(biāo)函數(shù)而抗體對應(yīng)問題的最優(yōu)解，那么免疫系統(tǒng)的特點(diǎn)對于改進(jìn)和提高遺傳算法的能力就具有重要的啟迪作用。文中模擬部分免疫特點(diǎn)（如自我免疫等）對SGA進(jìn)行改進(jìn)而設(shè)計出一種免疫遺傳算法，該算法的優(yōu)化能力相對SGA而言有一定的改進(jìn)。本文對如何有效模擬免疫重組、免疫記憶、混沌增殖等免疫行為而設(shè)計出免疫遺傳算法以更好地進(jìn)行多峰值函數(shù)的尋優(yōu)進(jìn)行探討。
2免疫遺傳學(xué)思想及免疫遺傳算法設(shè)計
2。1免疫遺傳學(xué)基本思想
在生物醫(yī)學(xué)科學(xué)領(lǐng)域，免疫遺傳學(xué)（Immunogenetics）
作為免疫學(xué)（Immunoiogy）和遺傳學(xué)（Genetics）這兩門學(xué)科的邊緣學(xué)科，豐富和發(fā)展了現(xiàn)代遺傳學(xué)理論。免疫遺傳的研宄說明了免疫物質(zhì)不僅受遺傳基因的控制，而且由此發(fā)生的免疫功能（免疫應(yīng)答）也同樣受到遺傳調(diào)控。
當(dāng)傳染媒介侵入生物系統(tǒng)后，免疫系統(tǒng)的工作就是中和或者清除異物。免疫系統(tǒng)模型如圖l所示。免疫系統(tǒng)的特點(diǎn)詳述如下：
�。�1）基因重組：當(dāng)外來抗原（antigen）侵入生物體時，免疫系統(tǒng)先對不同的抗原進(jìn)行識別，針對不同的抗原生成對應(yīng)的抗體（antibody）進(jìn)行中和或破壞�？贵w的產(chǎn)生是通過DNA分子上特定段的任意重組進(jìn)行的[2]。
�。�2）網(wǎng)絡(luò)作用：當(dāng)一個抗體傳遞給生物體中的B細(xì)胞時，一次免疫響應(yīng)就啟動了。如果與抗原匹配，B細(xì)胞將被激活。B細(xì)胞的激勵水平不僅依賴于其與抗原匹配的程度，而且依賴于它同機(jī)體免疫系統(tǒng)
時刻第i個個體的濃度，mj表示抗體i、間的親和系數(shù)，m_t_（表示抗體i、（間的排斥系數(shù)，a"分別表示抗體i對于其它抗體和抗原的交互作用率，（i表示抗體i的自然死亡率，^表示抗體i與抗原間的匹配率，N為抗體數(shù)目。
按照式（1）、（2）的計算結(jié)果，如果激勵水平超過閾值，B細(xì)胞將生成自身的許多克�。╟lones），而這個行為又將啟動一個變異機(jī)制——在抗體分子的編碼基因（genes）中產(chǎn)生變異。反之，如果激勵水平低于閾值，B細(xì)胞不會自我復(fù)制，并且到時候死亡。這樣，在免疫理論中很重要的一點(diǎn)需要引起我們注意的是：傳遞一個抗原給能夠約束它的B細(xì)胞不僅引起B(yǎng)細(xì)胞對抗原的分析，而且會導(dǎo)致許多新的B細(xì)胞的生成。所有的這些B細(xì)胞可以依次分析抗原并進(jìn)一步產(chǎn)生B細(xì)胞——這是新的B細(xì)胞生成方式之一。
�。�1）混沌增殖。對于有關(guān)細(xì)胞生長方面的研宄，文中針對白細(xì)胞生成控制模型進(jìn)行了討論，表明在確定性的時間系統(tǒng)中存在著內(nèi)在混沌的可能性；同時，第三軍醫(yī)大學(xué)的徐啟旺對綠膿桿菌的生長作了初步的探討，實(shí)驗(yàn)結(jié)果表明：細(xì)菌的生長不是同步分裂而是呈現(xiàn)混亂無序的混沌態(tài)增殖，因此其本質(zhì)是一種波形狀態(tài)的生命活動并伴隨以非線性動態(tài)的混沌增殖。混沌理論中，通過Iogistic方程：+1（t）=（^，Xi）=（l—x）i=0，l，2，…）生成的混沌序列是遺傳學(xué)中用以描述昆蟲數(shù)目世代變化規(guī)律的方程，可以用于模擬免疫細(xì)胞的增殖方式�；煦缧蛄休^通常的`RANDOM函數(shù)相比，具有更好的隨機(jī)性、快速性——這是由混沌的本身特色決定，因此可以更好保持多樣性，并能夠有效解決全局搜索能力和局部搜索能力的矛盾。
�。�2）免疫變異：高等生物尤其是哺乳動物，在進(jìn)化進(jìn)程中對多種多樣的病原體或異原性蛋白甚至人工合成的抗原都能夠產(chǎn)生相對應(yīng)的抗體。實(shí)際上一個淋巴細(xì)胞只產(chǎn)生一種抗體，而生物體內(nèi)的確存在成千上萬種抗體，這種適應(yīng)性功能的發(fā)展程度很讓人驚訝�；蚴强贵w的基本單體，對于淋巴系統(tǒng)能夠產(chǎn)生如此多種的抗體分子，體細(xì)胞突變學(xué)說（somaticmuta？tiontheory，Cohn，l968）認(rèn)為數(shù)量如此巨大的基因貯存在種質(zhì)（即生殖細(xì)胞染色體）中是不可能的，也是不經(jīng)濟(jì)的。該學(xué)說認(rèn)為種質(zhì)傳下來的只是少量V基因（一種基本基因），而V基因的多樣性主要是由于個體發(fā)育期間體細(xì)胞突變造成的。這一說法也得到了Leder等人的支持。這些變異主要反映在高可變區(qū)（hv區(qū)域，抗體分子的一部分）上，主要由它決定了抗體的多樣性。這已為許多觀察結(jié)果所支持^]所以，我們可以看到，變異機(jī)制在抗體的生成及多樣性的維持方面起到了重要的作用。
（3）免疫選擇：由于免疫過程中許多的變異行為會破壞抗體對抗原的親和力——即使假定變異機(jī)制是在完全隨機(jī)的情況下。因此免疫系統(tǒng)需要通過有選擇地增加高親和力的抗體數(shù)目來解決這個問題。
�。�4）免疫記憶：在抗原消失后數(shù)月甚至數(shù)年，抗體形成細(xì)胞仍然具有免疫記憶。因此以后抗原侵入時生物體根據(jù)自身免疫網(wǎng)絡(luò)可以很快生成對應(yīng)的抗體來中和抗原。
�。�5）免疫代謝：由于機(jī)體本身的新陳代謝，每天有5%的低激勵值B細(xì)胞死亡，而代之以從骨髓中生成全新B細(xì)胞。只有那些與網(wǎng)絡(luò)中已存在B細(xì)胞具有較強(qiáng)親和力的新B細(xì)胞才會加入到免疫系統(tǒng)中，否則將死亡。
（6）濃度控制：在免疫研宄中我們發(fā)現(xiàn)免疫過程完成后機(jī)體內(nèi)抗體濃度不會過高，否則，正常體細(xì)胞會受到損害。這是免疫行為的另一個重要特點(diǎn)。
�。�7）隔離小生境：研宄發(fā)現(xiàn)，生物在進(jìn)化過程中，之所以具有形成許多物種的能力，主要是因?yàn)樯锶壕哂蟹只》N群的能力，小種群沿著不同的方向進(jìn)化，彼此間差距越來越大，漸漸由同一物種分化為許多不同的種。其中隔離起著非常重要的作用——它防止了被隔離種群間的雜交，因而防止了其間基因的交流。隔離對于種群的分化是很有幫助的。因此，為了進(jìn)一步保證群體中個體的多樣性，我們在算法的設(shè)計中引入小生境（mce）技術(shù)。
如上所述，我們可以看到：免疫行為的許多特點(diǎn)能夠使免疫細(xì)胞的多樣性較好地得到維持，因而我們可以考慮模擬生物體的實(shí)際免疫行為設(shè)計出一種新的優(yōu)化算法——免疫遺傳算法（ImmunogeneticAlgorithm），簡記為IGA，它較SGA而言將更加有利于尋優(yōu)。
2。2免疫遺傳算法的設(shè)計
根據(jù)2。1節(jié)中討論的內(nèi)容，我們可以進(jìn)行免疫遺傳算法的設(shè)計。根據(jù)免疫行為的特點(diǎn)，我們設(shè)計了如下幾個核心模擬
算法：
�。�1）小生境：模擬隔離小生境特點(diǎn)，引入小生境技術(shù)[1]，將演化種群分為若干個小子群以實(shí)現(xiàn)隔離。這包含在初始抗體生成中。
�。�2）重組：模擬基因重組，在子群內(nèi)將各基因位統(tǒng)一編碼，然后進(jìn)行基因的隨機(jī)重組。這里不使用SGA的交叉算子，因而可以有效地避免父代與子代間的相似問題。
�。�3）免疫變異：以類似SGA的方式和較大的概率進(jìn)行變異操作。
�。�4）抗體產(chǎn)生：模擬免疫網(wǎng)絡(luò)作用、免疫選擇和濃度控制，我們進(jìn)行以下工作。差分計算式（1）：令s中其它B細(xì)胞的親和度。根據(jù)Jerne提出的免疫網(wǎng)絡(luò)理論（見圖2），計算抗體激勵水平及濃度的動態(tài)方程如下：
按照式（1）、（2）的計算結(jié)果，如果激勵水平超過閾值，B細(xì)胞將生成自身的許多克�。╟lones），而這個行為又將啟動一個變異機(jī)制——在抗體分子的編碼基因（genes）中產(chǎn)生變異。反之，如果激勵水平低于閾值，B細(xì)胞不會自我復(fù)制，并且到時候死亡。這樣，在免疫理論中很重要的一點(diǎn)需要引起我們注意的是：傳遞一個抗原給能夠約束它的B細(xì)胞不僅引起B(yǎng)細(xì)胞對抗原的分析，而且會導(dǎo)致許多新的B細(xì)胞的生成。所有的這些B細(xì)胞可以依次分析抗原并進(jìn)一步產(chǎn)生B細(xì)胞——這是新的B細(xì)胞生成方式之一。
�。�1）混沌增殖。對于有關(guān)細(xì)胞生長方面的研宄，文[4]中針對白細(xì)胞生成控制模型進(jìn)行了討論，表明在確定性的時間系統(tǒng)中存在著內(nèi)在混沌的可能性；同時，第三軍醫(yī)大學(xué)的徐啟旺對綠膿桿菌的生長作了初步的探討，實(shí)驗(yàn)結(jié)果表明：細(xì)菌的生長不是同步分裂而是呈現(xiàn)混亂無序的混沌態(tài)增殖，因此其本質(zhì)是一種波形狀態(tài)的生命活動并伴隨以非線性動態(tài)的混沌增殖[4]�；煦缋碚撝�，通過Iogistic方程：+1（t）=（^，Xi）=
�。╨—x）i=0，l，2，…）生成的混沌序列是遺傳學(xué)中用以描述昆蟲數(shù)目世代變化規(guī)律的方程，可以用于模擬免疫細(xì)胞的增殖方式。混沌序列較通常的RANDOM函數(shù)相比，具有更好的隨機(jī)性、快速性——這是由混沌的本身特色決定，因此可以更好保持多樣性，并能夠有效解決全局搜索能力和局部搜索能力的矛盾。
�。�2）免疫變異：高等生物尤其是哺乳動物，在進(jìn)化進(jìn)程中對多種多樣的病原體或異原性蛋白甚至人工合成的抗原都能夠產(chǎn)生相對應(yīng)的抗體。實(shí)際上一個淋巴細(xì)胞只產(chǎn)生一種抗體，而生物體內(nèi)的確存在成千上萬種抗體，這種適應(yīng)性功能的發(fā)展程度很讓人驚訝�；蚴强贵w的基本單體，對于淋巴系統(tǒng)能夠產(chǎn)生如此多種的抗體分子，體細(xì)胞突變學(xué)說（somaticmuta？tiontheory，Cohn，l968）認(rèn)為數(shù)量如此巨大的基因貯存在種質(zhì)（即生殖細(xì)胞染色體）中是不可能的，也是不經(jīng)濟(jì)的。該學(xué)說認(rèn)為種質(zhì)傳下來的只是少量V基因（一種基本基因），而V基因的多樣性主要是由于個體發(fā)育期間體細(xì)胞突變造成的。這一說法也得到了Leder等人的支持。這些變異主要反映在高可變區(qū)（hv區(qū)域，抗體分子的一部分）上，主要由它決定了抗體的多樣性。這已為許多觀察結(jié)果所支持^]所以，我們可以看到，變異機(jī)制在抗體的生成及多樣性的維持方面起到了重要的作用。
�。�3）免疫選擇：由于免疫過程中許多的變異行為會破壞抗體對抗原的親和力——即使假定變異機(jī)制是在完全隨機(jī)的情況下。因此免疫系統(tǒng)需要通過有選擇地增加高親和力的抗體數(shù)目來解決這個問題。
（4）免疫記憶：在抗原消失后數(shù)月甚至數(shù)年，抗體形成細(xì)胞仍然具有免疫記憶。因此以后抗原侵入時生物體根據(jù)自身免疫網(wǎng)絡(luò)可以很快生成對應(yīng)的抗體來中和抗原[l0]。
�。�5）免疫代謝：由于機(jī)體本身的新陳代謝，每天有5%的低激勵值B細(xì)胞死亡，而代之以從骨髓中生成全新B細(xì)胞。只有那些與網(wǎng)絡(luò)中已存在B細(xì)胞具有較強(qiáng)親和力的新B細(xì)胞才會加入到免疫系統(tǒng)中，否則將死亡。
�。�6）濃度控制：在免疫研宄中我們發(fā)現(xiàn)免疫過程完成后機(jī)體內(nèi)抗體濃度不會過高，否則，正常體細(xì)胞會受到損害。這是
免疫行為的另一個重要特點(diǎn)[1Q]。
（7）隔離小生境：研宄發(fā)現(xiàn)，生物在進(jìn)化過程中，之所以具有形成許多物種的能力，主要是因?yàn)樯锶壕哂蟹只》N群的能力，小種群沿著不同的方向進(jìn)化，彼此間差距越來越大，漸漸由同一物種分化為許多不同的種。其中隔離起著非常重要的作用——它防止了被隔離種群間的雜交，因而防止了其間基因的交流。隔離對于種群的分化是很有幫助的。因此，為了進(jìn)一步保證群體中個體的多樣性，我們在算法的設(shè)計中引入小生境（mce）技術(shù)[1’11]。
如上所述，我們可以看到：免疫行為的許多特點(diǎn)能夠使免疫細(xì)胞的多樣性較好地得到維持，因而我們可以考慮模擬生物體的實(shí)際免疫行為設(shè)計出一種新的優(yōu)化算法——免疫遺傳算法（ImmunogeneticAlgorithm），簡記為IGA，它較SGA而言將更加有利于尋優(yōu)。
2。2免疫遺傳算法的設(shè)計
根據(jù)2。1節(jié)中討論的內(nèi)容，我們可以進(jìn)行免疫遺傳算法的設(shè)計。根據(jù)免疫行為的特點(diǎn)，我們設(shè)計了如下幾個核心模擬
算法：
�。�1）小生境：模擬隔離小生境特點(diǎn)，引入小生境技術(shù)[1]，將演化種群分為若干個小子群以實(shí)現(xiàn)隔離。這包含在初始抗體生成中。
�。�2）重組：模擬基因重組，在子群內(nèi)將各基因位統(tǒng)一編碼，然后進(jìn)行基因的隨機(jī)重組。這里不使用SGA的交叉算子，因而可以有效地避免父代與子代間的相似問題。
�。�3）免疫變異：以類似SGA的方式和較大的概率進(jìn)行變異操作。
�。�4）抗體產(chǎn)生：模擬免疫網(wǎng)絡(luò)作用、免疫選擇和濃度控制，我們進(jìn)行以下工作。差分計算式（1）：令
根據(jù)式（3）、（4）的迭代，計算出相應(yīng)抗體的濃度ai（n），再按照SGA的方法計算出第i個個體的適應(yīng)值與平均適應(yīng)值
之比SGASlct_prop（i），計算min（a；（n），SGASlct_propi（n））；再考慮機(jī)體中抗體濃度不能夠過大的原則，進(jìn)行濃度控制。算法如下：
ifmin（〇（n），SGAslct_propi（n））>規(guī)定濃度then
復(fù)制概率copy_prob，n）=規(guī)定濃度
elsecopy_probi（n）=min（a（n），SGAslct_prop（n））
以此實(shí)現(xiàn)模擬免疫系統(tǒng)選擇性地增加高親和力的抗體數(shù)目的行為以及免疫過程完成后機(jī)體內(nèi)抗體濃度不會過高的現(xiàn)象。
（1）免疫記憶：各子群依次計算完畢后，計算總?cè)后w的最大適應(yīng)值。如果本次計算得到的最大適應(yīng)值大于免疫網(wǎng)絡(luò)中已存在抗體所能夠提供的最大適應(yīng)值，則將對應(yīng)的個體作為新抗體加入抗體記憶表中，本次最大適應(yīng)值加入抗體適應(yīng)值表；否則，啟動免疫記憶，根據(jù)抗體表中所記憶的歷史抗體，利用logistic方程尋找出新的高適應(yīng)值個體作為更好的免疫抗體，混沌初始值分為歷史抗體及抗體的變異個體兩種。此方法模擬如下免疫行為：當(dāng)激勵水平超過閾值時，機(jī)體B細(xì)胞將生成自身的許多克�。╟lones），同時啟動變異機(jī)制——在抗體分子的編碼基因（genes）中產(chǎn)生變異。
（2）免疫代謝：模擬免疫行為中細(xì)胞的混沌增殖現(xiàn)象，找出子群內(nèi)5%的低激勵水平個體并去除；利用logistic方程從免疫記憶表中生成新的高適應(yīng)值個體加入種群中。
免疫遺傳算法具體流程如下：
步驟1初始抗體生成（n=1（（含小生境隔離）；
步驟2對于第m個子群進(jìn)行以下的操作：
（1）免疫重組；（2）免疫變異；（3）抗體生成；（4）免疫記憶；（5）免疫代謝；（6）群體更新
步驟3各子群體依次計算完畢后，如果n>指定演化代數(shù)，則結(jié)束計算，否則n=n+1，轉(zhuǎn)到第2步。
IGA算法分析：（1）在多峰值函數(shù)的尋優(yōu)中，IGA的局部搜索能力和全局搜索能力是一對矛盾。而我們希望遺傳算法具有自動在解空間隨機(jī)探索新點(diǎn)的能力，同時能夠在某一區(qū)域內(nèi)很快收斂最優(yōu)解。顯然，IGA很難滿足我們的要求。因?yàn)镮GA的選擇算子和交叉算子的設(shè)計方法往往會導(dǎo)致父代與子代間很相似，因而很難脫離局部極值。其主要賴以擺脫局部極值的變異算子的變異概率若取得太大，固然會增強(qiáng)全局搜索能力，但是又會導(dǎo)致局部搜索能力降低；為解決此問題，本文在IGA的設(shè)計中，引入了隔離小生境和混沌的思想。隔離小生境技術(shù)將遺傳的競爭過程分為子群體間的競爭和子群體內(nèi)個體間的競爭兩級——前者體現(xiàn)為全局搜索能力，后者體現(xiàn)為局部搜索能力，這樣通過兩級競爭，就有效地解決了局部搜索能力和全局搜索能力的矛盾。（2）隔離機(jī)制的引入使子群體的進(jìn)化既同整個群體的進(jìn)化密切相關(guān)，又有相對獨(dú)立性，這有利于種群個體多樣性的維持；同時，子群體的進(jìn)化可以并行處理，這將大大提高優(yōu)化的速度。（3）為了解決由于SGA的選擇和交叉算子設(shè)計方式而導(dǎo)致父子代間的相似問題，本文模擬免疫行為中抗體濃度的控制和基因的重組而設(shè)計了濃度控制策略和重組算子以進(jìn)一步維持個體的多樣性。（4）本文提出了模擬免疫記憶和新陳代謝而將混沌思想引入到SGA中的方法。利用混沌對初值的敏感性以及隨機(jī)性、規(guī)律性、遍歷性，算法可以有效地跳出局部收斂點(diǎn)以更快地收斂于最大值，從而能夠比較有效地解決通常遇到的“早熟”問題。
3實(shí)驗(yàn)研究
本文以多峰值函數(shù)/（x，y）=（_1）#（x2+2y2_0。3cos（3兀x）—0。4cos（4^y））+4為例，用IGA進(jìn)行尋優(yōu)比較研究。該函數(shù)有很多個局部極大值，其中最大值為4。7，此時x，y均取值為0。為了更好的體現(xiàn)本文算法的優(yōu)化能力，我們還對本文的IGA與文[7]的算法（記為“[7]”）進(jìn)行優(yōu)化比較。實(shí)驗(yàn)中，自變量x，y取值范圍是[—1，1]，種群大小為50，個體編碼長度均為20位。算法[7]的交叉概率取0。4，隨機(jī)取1位變異。IGA中隨機(jī)取2位變異。實(shí)際計算20代。定義的y次方，則我們可以定義個體間綜合激勵系數(shù)的計算公式為：
�。�1）將個體按位異或，得到新個體k
�。�2）計算出個體k直接對應(yīng)的十進(jìn)制整數(shù)/（k）；
�。�3）_（k）
3、=2！編碼位數(shù)—1。
實(shí)驗(yàn)結(jié)果比較如下（以下各圖縱坐標(biāo)表示最大適應(yīng)值，圖3中橫坐標(biāo)表示演化代數(shù)，圖4中橫坐標(biāo)表示統(tǒng)計次數(shù)）
從實(shí)驗(yàn)的得到的各圖形和表格數(shù)據(jù)的比較中，我們可以看到：在多峰值函數(shù)的優(yōu)化過程中，本文的IGA具有良好的搜索能力。
4結(jié)論
通過實(shí)驗(yàn)比較，我們可以看到IGA具有更強(qiáng)的尋優(yōu)性能，結(jié)果令人滿意。由于IGA具備能夠有效地解決局部搜索能力和全局搜索能力的矛盾、有效維持種群多樣性、較好地防止早熟等優(yōu)點(diǎn)，從而對今后的實(shí)際規(guī)劃和設(shè)計工作能夠起到良好的促進(jìn)和幫助作用。但是由于實(shí)際上抗體是一個具有變區(qū)（VAQ）和常區(qū)（C區(qū)）的二官能分子（bifunctionalmolecules），而本文的算法主要根據(jù)V區(qū)的規(guī)律而設(shè)計的，因此如何將C、V兩個區(qū)的特點(diǎn)綜合考慮設(shè)計出更好的算法是值得以后繼續(xù)深入研宄的。
【一種基于生物免疫遺傳學(xué)的新優(yōu)化方法論文】相關(guān)文章：
1.淺析大學(xué)遺傳學(xué)實(shí)驗(yàn)教學(xué)方法的優(yōu)化論文
2.遺傳學(xué)理論的教學(xué)內(nèi)容與教學(xué)方法優(yōu)化論文
3.基于Floyd算法的樞紐航線網(wǎng)絡(luò)魯棒優(yōu)化方法的論文
4.醫(yī)學(xué)遺傳學(xué)實(shí)驗(yàn)教學(xué)模式的優(yōu)化與實(shí)踐論文論文
6.基于網(wǎng)絡(luò)的雙語教學(xué)在臨床免疫學(xué)和免疫學(xué)檢驗(yàn)中的應(yīng)論文