不完备数据下的免疫分类算法

人工免疫识别系统(AIRS)是受生物免疫系统的启示而研发的一种比较有效的分类器,但也存在记忆细胞数目过于庞大,分类精度不高,特别是在数据不完备的情况下,分类精度低等缺陷。为了解决这个问题,提出了一种不完备数据下的免疫分类算法(ICAU),算法引入半监督学习机制和分类器融合投票决策的思想,利用多个AIRS分类器互相帮助学习训练,来提高AIRS在不完备数据下的分类精度。在UCI数据集上进行了实验,结果验证了ICAU算法的有效性。

改进的检测器大小可变的免疫异常检测算法

在传统的免疫异常检测算法中,通常存在检测器对非我空间的覆盖漏洞,以及检测器数量过大且相互覆盖等问题,这是导致免疫异常检测算法效率较低的主要原因。提出了一种能够处理混合型数据的免疫异常检测算法,它能够生成不同大小的检测器,提高对非我空间覆盖的效率。通过模拟实验和对比实验表明,该算法能够较好地完成对混合型数据的处理,并有效提高生成检测器的效率。

人工免疫投影寻踪降维模型——AI-PPC

引入人工免疫(AI)系统原理用于解决投影寻踪(PP)降维问题,利用免疫克隆选择算法优化投影方向,将高维的特征数据投影到低维空间上,从而降低了数据挖掘过程中的计算复杂度,实现了数据的约减;并用K-Means等聚类算法分别对初始数据和降维后的数据进行聚类对比。实验结果验证了人工免疫投影寻踪降维(AI-PPC)算法的有效性。

融合免疫机制的协同进化模型

针对传统进化算法在计算效能方面存在的一些问题,借鉴协同进化算法的思想,提出了一种融合免疫机制的协同进化模型。该模型通过多个子种群各自分别进化以保持整个种群的多样性。在每次迭代进化过程中,各个子种群分别选择精英抗体并进行免疫记忆。随后各个子种群分别以不同的算法进行变异。若变异后抗体的适应度降低,则利用精英抗体对其进行引导操作。群体间的协作包括子种群间若干个抗体的随机交叉和子种群间的大规模迁移。最终进行免疫代谢,去除群中的弱适应度个体。算法反复迭代进行以上操作,直至达到既定目标或预定的循环迭代次数。通过对13个标准测试函数进行的仿真实验显示,该模型在搜索最优解或满意解时均优于传统的进化算法,同时在寻优效率上有较大的提升。