在生命科学领域中，人们已经对遗传(Heredity)与免疫(Immunity)等自然现象进行了广泛深入的研究。六十年代Bagley和Rosenberg等先驱在对这些研究成果进行分析与理解的基础上，借鉴其相关内容和知识，特别是遗传学方面的理论与概念，并将其成功应用于工程科学的某些领域，收到了良好的效果。时至八十年代中期，美国Michigan大学的Hollan教授不仅对以前的学者们提出的遗传概念进行了总结与推广，而且给出了简明清晰的算法描述，并由此形成目前一般意义上的遗传算法(GeneticAlgorithm)GA。由于遗传算法较以往传统的搜索算法具有使用方便、鲁棒性强、便于并行处理等特点，因而广泛应用于组合优化、结构设计、人工智能等领域。另一方面，Farmer和Bersini等人也先后在不同时期、不同程度地涉及到了有关免疫的概念。遗传算法是一种具有生成+检测 (generate and test)的迭代过程的搜索算法。从理论上分析，迭代过程中，在保留上一代最佳个体的前提下，遗传算法是全局收敛的。然而，在对算法的实施过程中不难发现两个主要遗传算子都是在一定发生概率的条件下，随机地、没有指导地迭代搜索，因此它们在为群体中的个体提供了进化机会的同时，也无可避免地产生了退化的可能。在某些情况下，这种退化现象还相当明显。另外，每一个待求的实际问题都会有自身一些基本的、显而易见的特征信息或知识。然而遗传算法的交叉和变异算子却相对固定，在求解问题时，可变的灵活程度较小。这无疑对算法的通用性是有益的，但却忽视了问题的特征信息对求解问题时的辅助作用，特别是在求解一些复杂问题时，这种忽视所带来的损失往往就比较明显了。实践也表明，仅仅使用遗传算法或者以其为代表的进化算法，在模仿人类智能处理事物的能力方面还远远不足，还必须更加深层次地挖掘与利用人类的智能资源。从这一点讲，学习生物智能、开发、进而利用生物智能是进化算法乃至智能计算的一个永恒的话题。所以，研究者力图将生命科学中的免疫概念引入到工程实践领域，借助其中的有关知识与理论并将其与已有的一些智能算法有机地结合起来，以建立新的进化理论与算法，来提高算法的整体性能。基于这一思想，将免疫概念及其理论应用于遗传算法，在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象，这种算法称为免疫算法(ImmuneAlgorithm)IA。下面将会给出算法的具体步骤，证明其全局收敛性，提出免疫疫苗的选择策略和免疫算子的构造方法，理论分析和对TSP问题的仿真结果表明免疫算法不仅是有效的而且也是可行的，并较好地解决了遗传算法中的退化问题。

基于磁性纳米粒子的高灵敏选择性侧向流免疫测定法，用于癌胚抗原的定量检测

引入生物免疫系统的机理和约束控制的概念，本文提出了一种能够动态多目标多模态约束优化的免疫优化方法。这种方法主要由环境检测，群体初始化和免疫进化三个模块构成。一个模块是受到免疫监视的机理的启发而获得，其有效检测环境是否发生变化和确定环境的类型；第二个模块依据检测结果产生初始群体；第三个模块不同方向进化两个子群。实验结果表明该方法能有效发现各个环境的一系列帕累托面。

受克隆选择理论和免疫网络模型的启发，我们提出了一种新的人工免疫算法，称为免疫记忆克隆算法（IMCA）。 首先讨论了受免疫系统启发的克隆操作员。 IMCA包括两个基于不同免疫记忆机制的版本； 它们是自适应免疫记忆克隆算法（AIMCA）和免疫记忆克隆策略（IMCS）。 在AIMCA中，每种抗体的突变率和存储单位大小会动态调整。 IMCS同时实现抗体种群和存储单元的进化。 通过使用克隆选择运算符，可以将全局搜索与局部搜索有效地结合在一起。 根据抗体-抗体（Ab-Ab）亲和力和抗体-抗原（Ab-Ag）亲和力，IMCA可以自适应地分配存储单元的大小和抗体群体。 在实验中，使用了18个多维函数，维数范围从2到1000，以及组合优化问题，例如旅行商和背包问题（KPs），以验证IMCA的性能。 给出了每次迭代的计算成本。 实验结果表明，IMCA具有较高的收敛速度，并且在增强种群多样性和一定程度上避免过早收敛方面具有很强的能力。 从理论上讲，IMCA以概率1收敛。 2010高等教育出版社和施普林格出版社柏林海德堡。

作为一种新的智能计算方法,人工免疫网络已被广泛的应用到模式识别以及数据分类中。现有的人工免疫网络分类算法大都存在两个缺陷:一是网络规模庞大、计算复杂;二是对抗原的一次递呈并不能保证获得全局最优分类器。该文提出了一种新的人工免疫网络分类算法,该算法利用每个类别对应单个B细胞的策略,简化网络规模并减少了同类别B细胞之间的抑制操作,同时引入了新的基于对训练样本正确识别率的亲合度评价函数,实现了基于抗原的优先级的选择策略。采用5组UCI的线性数据和4组混合特征数据以及1幅SAR图像对算法的性能进行了全面测试,结果表明,与模糊C均值算法,多值免疫(MVIN)算法和基于分类问题的克隆选择算法(CSA)相比,新算法在分类精度上具有一定的优势,鲁棒性更好。

基于克隆选择原理和免疫优势理论,本文提出一种新的基于免疫优势的克隆选择聚类算法(Immun-odomaince based Clonal Selection Clustering Algorithm,IDCSCA),该算法通过在经典的克隆选择算法框架中,引入基于免疫优势理论的免疫优势算子实现了在线自适应动态获得先验知识和个体间的信息共享.新算法首先通过对群体中若干最优抗体的分析,提取免疫优势,然后将其推广到整个抗体群,通过在进化过程中利用积累的先验知识,在保证抗体种群多样性的基础上加快收敛速度.采用个5个数据集对算法性能进行了测试,与模糊C均值算法(Fuzzy C-means,FCM)、基于遗传算法的模糊聚类算法(Genetic Algorithm based Fuzzy C-means,GAFCM)以及基于克隆选择的模糊聚类算法(Clonal Selection Algorithm based Fuzzy C-means,CSAFCM)比较,结果表明IDCSCA能有效避免聚类中心迭代过程中陷入局部最优点的问题,而且聚类性能更稳定.

安全风险的实质是什么、主动免疫的计算架构、如何构建构建可信安全管理中心支持下的主动免疫三重防护框架、中国可信计算3.0突破高等级安全防护核心技术、等保2.0可信防护体系框架、云计算可信安全架构、物联网可信安全架构、工业控制系统可信安全架构等

包含冠状病毒群体免疫优化算法(CHIO)和matlab程序及论文，分享给大家学习。 2020年Mohammed Azmi Al-Betar等人提出的一种新的基于自然的优化算法——冠状病毒群体免疫优化算法(CHIO)。其灵感来源于世界传播的灾难性的新冠病毒，模仿了群体免疫策略和社会距离概念。三种类型的个体病例用于群体免疫:易感、感染和免疫。 本文研究了CHIO对其参数的敏感性。然后，CHIO使用23个著名的基准测试函数进行评估对七种最先进的方法进行了比较评价。比较分析表明，与其他成熟的方法相比，CHIO能够产生非常有竞争力的结果。为了进一步验证，本文使用了三个从IEEECEC 2011中提取的实际工程优化问题。再一次，CHIO被证明是有效率的。总之，CHIO是一种非常强大的优化算法，可以用来解决各种优化领域的许多优化问题。

2020国民免疫力认知调查报告.pdf.pdf

MATLAB源码集锦-免疫优化算法在物流配送中心选址中的应用代码