智能系统控制人工免疫与免疫控制.ppt

龚涛,智能系统控制,人工免疫与免疫控制,免疫计算智能系统的应用,免疫算法,人工免疫网络模型,生物免疫机理,人工免疫系统概述,龚涛,智能系统控制,1 概 述,人工免疫系统的产生与发展AIS的研究范畴及应用 免疫计算智能与其他智能技术的比较,龚涛,智能系统控制,1.1 人工免疫系统的产生与发展,生物信息系统可看成一个分布式自治系统，且能提供给科学和工程领域各种富有成效的技术和方法由生物引发的信息处理系统可分为：脑神经系统（神经网络）、遗传系统（进化计算）和免疫系统（人工免疫系统（AIS）神经网络和进化计算已被广泛地应用于各个领域，而AIS由于其复杂性没有引起与神经网络和进化计算等计算领域同等的重视，直到近几年才引起国内外研究学者的兴趣,龚涛,智能系统控制,Dasgupta给出的定义：“人工免疫系统由生物免疫系统启发而来的智能策略所组成，主要用于信息处理和问题求解”Timmis给出的定义：“人工免疫系统是一种由理论生物学启发而来的计算范式，它借鉴了一些免疫系统的功能、原理和模型并用于复杂问题的解决”,人工免疫系统的定义,AIS的研究结果已涉及到控制 故障诊断 模式识别图像识别 优化设计 机器学习联想记忆 知识发现 异常检测 计算机网络安全等许多领域,龚涛,智能系统控制,人工免疫系统的产生与发展,龚涛,智能系统控制,AIS已成为许多国际期刊的重要议题如，Evolutionary Computation，IEEE Transaction on Evolutionary Computation等，后者在2001年和2002年相继出版了AIS专辑在国际会议方面，从1997年开始，IEEE System，Man and Cybernetic国际会议每年均组织专门的AIS研讨会其它国际会议如GECCO（Genetic and Evolutionary Computation Conference），CEC（Congress on Evolutionary Computation）等也将AIS作为主题之一第一届AIS国际学术会议ICARIS（1st International Conference on Artificial Immune Systems）也于2002年9月在英国Kent大学召开2012年,首个人工免疫系统领域的学术刊物Immune Computation创刊,人工免疫系统的产生与发展,龚涛,智能系统控制,AIS研究的主要内容是根据生物免疫系统的一些重要机理和原理，得到人工免疫网络模型和免疫学习算法，并将这些计算模型用于工程及计算机网络等各个方面人工免疫网络模型的生物理论基础是各种免疫网络学说，如独特型网络、互联耦合免疫网络、免疫反应网络、对称网络和多值免疫网络等,AIS的研究范畴及应用,龚涛,智能系统控制,免疫算法有以下优点：保存了多样性。因为免疫算法有两大特点，即多样性和自我调节，所以使用这一方法能够获得许多优化问题的最优解记忆训练。应用免疫算法，通过重复的优化过程，能够很快地得到最优解。因为对于曾经出现过的抗原，免疫算法产生相应抗体的速度比以前更快。虽然遗传算法和免疫算法一样，都是模仿自然进化过程的优化模型，但是在记忆训练和不同抗体的产生方面，两者有本质的区别,免疫算法与进化算法的比较,龚涛,智能系统控制,免疫算法与一般的确定性优化算法相比，有以下显著特点：它同时搜索解空间中的一系列点，而不只是一个点它处理的对象是表示待求解参数的编码数字串，而不是参数本身它使用的是目标函数本身，而不是其导数或其它附加信息它的变化规则是随机的，而不是确定的,免疫算法与进化算法的比较,龚涛,智能系统控制,免疫算法与其它非确定性算法（如遗传算法进化策略等）之间有如下的区别：它在记忆单元基础上运行，确保了快速收敛于全局最优解它有计算亲和性的程序，反映了真实免疫系统的多样性它通过促进或抑制抗体的产生，体现了免疫反应的自我调节功能,免疫算法与进化算法的比较,龚涛,智能系统控制,免疫算法有不同于其它算法的附加优化步骤：计算亲和性。亲和性有两种形式：一种形式说明了抗体和抗原之间的关系，即解和目标的匹配程度；另一种形式解释了抗体之间的关系，这个独有的特性保证了免疫算法具有多样性计算期望值。计算期望值的作用是控制适用于抗原（目标）的相同抗体的过多产生构造记忆单元。用一组记忆单元保存用于防御抗原的一组抗体（优化问题的候选解）。在此基础上，免疫算法能够以很快的速度收敛于全局最优解,免疫算法与进化算法的比较,龚涛,智能系统控制,2 生物免疫机理,生物免疫系统的组成与特征 免疫系统的计算能力 免疫系统的自体/异体识别机理 免疫系统的网络学说 免疫的学习机理 免疫系统的反馈机理 与免疫遗传算法相关的生物机理,龚涛,智能系统控制,生物免疫系统的组成与特征,免疫系统是生物，特别是脊椎动物和人类所必备的防御机理，它由具有免疫功能的器官、组织、细胞、免疫效应分子及有关的基因等组成，可以保护机体抗御病原体、有害的异物及癌细胞等致病因子的侵害免疫的功能包括：免疫防御；免疫稳定；免疫监视,龚涛,智能系统控制,生物免疫系统的组成与特征,抗原具有的性能：（1）刺激机体产生免疫应答的免疫原性（2）与相应免疫应答的产物发生特异性结合,龚涛,智能系统控制,免疫系统的计算能力,免疫识别 免疫学习 免疫记忆 克隆选择和阈值机理 个体多样性 分布式和自适应性 特征抽取 自我调整,龚涛,智能系统控制,免疫系统的网络学说,免疫学说中有两种学说占主导地位（1）细胞克隆选择学说 细胞克隆选择学说的基点是外来抗原选择原先处于静止状态的互补细胞克隆，被选择细胞克隆的激活、增殖和效应概念是免疫应答的细胞学过程，然而针对自身抗原的细胞克隆则被抑制或消除，因而对外来抗原的识别是关键因素。,龚涛,智能系统控制,（2）网络学说 网络学说的观点是建立在自身识别上，认为免疫系统是淋巴细胞上分布的特异性抗原受体V区的网络，这个网络是通过免疫细胞相互识别V区上的抗原决定簇来实现的；对外来抗原的应答是建筑在识别自身抗原基础上的反应。免疫应答中的细胞间相互作用大致有四种类型：相关识别、连锁识别、多克隆相互作用、独特型与抗独特型之间相互作用。,免疫系统的网络学说,龚涛,智能系统控制,免疫系统具有高度分辨“自体”与“异体”抗原物质的能力，这种识别作用是由免疫淋巴细胞完成的。免疫淋巴细胞对抗原分子的识别、自身的活化、增殖和分化以及产生效应的过程称之为免疫应答。免疫淋巴细胞在抗原识别过程中被诱导活化，形成以B细胞介导的体液免疫和以T细胞介导的细胞免疫；亦可被诱导而处于不活化状态，称之为免疫耐受。,免疫系统的自体/异体识别机理,龚涛,智能系统控制,免疫细胞对抗原的识别是通过结合（或匹配）过程实现的，相应地，AIS中的抗原识别通过特征匹配来实现，其核心是定义一个匹配阈值，而对匹配的度量则采用多种方法如，海明（Hamming）距离、欧式（Euclidean）距离及Forrest所提出的R连续位匹配方法等,免疫系统的自体/异体识别机理,龚涛,智能系统控制,免疫的学习机理,免疫学习大致可分为两种：一种发生在初次应答阶段，即免疫系统首次识别一种新的抗原时，其应答时间相对较长；而当机体重复遇到同一抗原时，由于免疫记忆机制的作用，免疫系统对该抗原的应答速度大大提高，并且产生高亲和度的抗体去除抗原，这个过程是一个增强式学习（reinforcement learning）过程，对应于再次应答。,龚涛,智能系统控制,免疫学习一般有以下几种途径：（1）对同一抗原进行重复学习，属于增强式学习（2）亲和度成熟，对应于AIS中的个体经遗传操作后其亲和度逐步提高的过程，属于遗传学习（3）低度的重复感染，对应于AIS的重复训练过程（4）对内生和外生抗原的交叉应答，属于联想式学习，对应于联想记忆机制,免疫的学习机理,龚涛,智能系统控制,免疫系统的反馈机理,由免疫反馈原理图知，当抗原进入机体，经周围细胞消化后，将信息传递给T细胞，即传递给TH细胞和TS细胞，TS细胞用于抑制TH细胞的产生。然后共同刺激B细胞，经过一段时间后，B细胞产生抗体以清除抗原。当抗原较多时，机体内的TH细胞亦较多，而TS细胞却较少，从而产生的B细胞会多些。随着抗原的减少，机体内TS细胞增多，它抑制了TH细胞的产生，则B细胞也随着减少，经过一段时间后，免疫反馈系统便趋于平衡。,图1 免疫系统的反馈机理,龚涛,智能系统控制,与遗传算法相关的特征（1）产生多样抗体的能力：通过细胞的分裂和分化作用，免疫系统可产生大量的抗体来抵御各种抗原，这对应于遗传算法中个体的多样性。这种机制可用于提高遗传算法的全局搜索能力而不陷于局部解（2）自我调节机构：免疫系统具有维持免疫平衡的机制，通过对抗体的抑制和促进作用，能自我调节产生适当数量的必要抗体。这对应于遗传算法中个体浓度的抑制和促进，利用这一功能可以提高遗传算法的局部搜索能力,与免疫遗传算法相关的生物机理,龚涛,智能系统控制,与遗传算法相关的特征,（3）免疫记忆功能：产生抗体的部分细胞会作为记忆细胞而被保存下来，对于今后侵入的同类抗原，相应的记忆细胞会迅速激发而产生大量的抗体。如果遗传算法能利用这种抗原记忆识别功能，则可以加快搜索速度，提高遗传算法的总体搜索能力,龚涛,智能系统控制,3 人工免疫网络模型,独特型网络模型互联耦合免疫网络模型 对称网络模型 多值网络模型,龚涛,智能系统控制,Jerne提出的独特型网络学说，它是以克隆选择理论为基础。Jerne强调免疫系统中各个细胞克隆不是处于一种孤立状态，而是通过自体/异体识别、相互刺激和相互制约构成一个动态平衡的网络结构。构成相互刺激和相互制约的物质基础是独特型和抗独特型。,独特型网络模型,龚涛,智能系统控制,独特型网络实质上是建立在独特型和抗独特型细胞克隆的相互作用上，因而可以认为免疫系统由两套细胞组成：一套是具有独特型并识别抗原的淋巴细胞，也就是网络中的第一层细胞Ab1细胞；另一套是识别独特型的淋巴细胞，它们是网络中的第二层细胞Ab2细胞，是抗独特型细胞，或称之为“独特型特异的细胞”。第一层的Ab1细胞，就是能和抗原结合反应的T细胞、B细胞。第二层的Ab2细胞，包括Ab2 B细胞（结合独特型或分泌抗独特型的B细胞）和Ab2 T细胞（识别或结合独特型的T细胞）,独特型网络模型,龚涛,智能系统控制,Jerne的网络学说奠定了用整体的、联系的观点解释免疫调节和免疫现象的基本思想，以此免疫学说为基础，Richter、Hoffmann等又加以修改补充提出了新的网络模型。Richter把各种不同的克隆称为功能单位，以Ab0、Ab1、Ab2、Ab3等表示，每一个克隆包括T细胞、B细胞、抗体分子及T细胞因子。Ab1识别外源性抗原决定基（Ag1），Ab2识别Ab1的Id，Ab3识别Ab2的Id，以此类推。,独特型网络模型,龚涛,智能系统控制,独特型网络模型,图2 免疫网络的结构图,龚涛,智能系统控制,鉴于目前抗体之间大规模的联接还没有用实验论证，但已发现免疫系统是通过抗体之间4个或5个链来成功地维持着生物组织，这个发现说明免疫系统能利用局部的连接来维持生物组织的正常工作，也就是说，免疫系统能通过多个完成某一特定任务的局部免疫网络（LIN）之间的相互通讯来形成大规模免疫网络，从而表现出它的显著能力，这就是Ishiguro等提出的互联耦合免疫网络模型。互联耦合免疫网络学说如图3所示。,互联耦合免疫网络,龚涛,智能系统控制,图3 互联耦合免疫网络学说,互联耦合免疫网络,龚涛,智能系统控制,免疫系统对外来抗原的应答是建立在识别自身抗原基础上的反应，当我们考虑系统对特定抗原的响应时，我们不仅要考虑相应的抗体，而且要考虑抗抗体等。Hoffmann根据免疫网络学说提出了对称网络模型。为了使问题容易处理，我们认为只有两类主要的淋巴细胞响应特异性抗原的攻击。第一类为正集合或称结合抗原的抗体集合，用T和B分别表示T细胞和B细胞，该类细胞具有独特型，能识别抗原，与抗原结合并反应。第二类为负集合或称抗独特型集合，用T和B分别表示抗独特型的T细胞和B细胞，该类细胞能识别独特型。,对称网络模型,龚涛,智能系统控制,从对称网络可得出包括有T、T、B和B细胞的系统有四种稳定的状态，它们分别为初始状态、抑制状态、免疫状态及抗免疫状态，如图4所示。初始状态为正、负集合中细胞的数量较少时的对称状态，正集合的细胞抗体杀死负集合细胞，负集合的细胞抗体杀死正集合细胞，即不断的相互杀死。在抑制状态下，正负集合中细胞的数量都不断增多，主要受T细胞因子的抑制作用影响。在免疫状态下，正集合中的细胞数量较多，正集合中的细胞抗体消除负细胞。就抗原刺激方面来讲它是应答状态，由于正细胞不再受到负细胞数量的限制。在抗免疫状态下，负集合的细胞抗体消除正集合中的细胞，为免疫状态的反向状态，因而是反向应答状态。,对称网络模型,龚涛,智能系统控制,对称网络模型,图4 对称免疫系统网络理论的稳定状态图,龚涛,智能系统控制,多值网络模型,Tang提出了一种基于免疫应答原理的多值网络模型。该多值免疫网络模型模拟免疫系统B细胞和T细胞间的相互作用，具有与免疫系统极其类似的特性。系统操作,龚涛,智能系统控制,首先，输入模式（Ag）输入到B细胞群体（N个细胞），输入模式的每一个点（二进制或多值）输入到相应的B细胞层。衡量输入模式后递呈所有的T细胞（M个细胞），这是抗原递呈，如图5所示。其中，为B细胞到细胞的连接权值,多值网络模型,龚涛,智能系统控制,多值网络模型,图5 B细胞到细胞的权值连接,龚涛,智能系统控制,5.4 免疫算法,阴性选择算法 学习算法 免疫进化算法 克隆选择算法 免疫Agent算法,龚涛,智能系统控制,阴性选择算法,基于免疫系统的自体/异体识别原理，Forrest等开发了一种用于检测数据改变的阴性选择算法。其基本思想是考虑T细胞表面有能检测异物（抗原）的接收器，故将T细胞用于其识别部分。其算法可概括如下：步骤1：定义一组长度为 l 的有限字符串 S 表示“自体”；步骤2：产生检测器集R，R 中每个检测器与 S 中的串都不匹配；步骤3：通过不断地将 R 中的检测器与 S 进行比较来监控 S 的改变。以上算法主要依赖于以下三个重要原理：（1）检测算法的每个拷贝是唯一的；（2）检测是概率的；（3）它是概率地检测任何异常活动，而不是寻找特定的已知改变模式的鲁棒系统。,龚涛,智能系统控制,学习算法,受生物免疫系统的启发，Hunt和Cooke开发了一种AIS及其免疫学习算法。该AIS主要由骨髓、B细胞网络、抗原和抗体等组成，AIS的许多处理包含在B细胞和它们的抗体里。B细胞网络是由一组B细胞实现，且这些B细胞之间相互联接。骨髓节点用于运行骨髓的功能且决定在免疫网络哪儿插入一个给定的抗原、哪个B细胞死亡及激发一些新的细胞添加到免疫网络中。,龚涛,智能系统控制,学习算法,（1）初始化B细胞个体代；（2）装载抗原群体；（3）选择在B细胞个体中需要插入的抗原比例；（4）从抗原群体中随机地选择抗原，按（3）中的比例插入 B细胞个体并产生免疫响应；（5）通过激励水平对B细胞排序；（6）去掉激励水平低的B细胞（占B细胞总数的5）；（7）再产生n个新的B细胞（占B细胞总数的5）；（8）选择m个新的B细胞加入免疫网络（m为B细胞总数的5）；（9）满足要求结束，否则转至（3）重复执行。,龚涛,智能系统控制,免疫进化算法,利用疫苗的免疫算法与免疫规划,龚涛,智能系统控制,免疫进化算法,利用抗体多样性的免疫遗传算法,在标准的进化算法中，利用抗体的浓度选择机制，实现抗体间刺激和抑制的作用关系，进行多样性保持，改善未成熟收敛，提高进化算法的性能。在传统的适应度比例机制的基础上，增加基于浓度的调节因子，个体的选择概率p由适应度概率 和浓度抑制概率 两部分组成：（1）其中，和 是调节常数，N为抗体总数，为抗体浓度。可以看出，个体的适应度越大，则选择概率越大；而个体浓度越大，则选择概率越小。这样，在保留适应度个体的同时，进一步确保个体多样性，改善了早熟现象。,龚涛,智能系统控制,免疫进化算法,（1）抗原识别：抗原对应于免疫遗传算法所要解决的问题（2）初始抗体产生：初始抗体对应于问题的候选解。如果抗原识别模块判断出新抗原是记忆中的抗原，则从记忆细胞中取出相应的抗体组成免疫遗传算法的初始群体，否则，随机产生初始群体（3）适应度计算：计算每个抗体的适应度,龚涛,智能系统控制,免疫进化算法,（4）演化记忆细胞：如果抗原是新抗原，则用当前群体中适应度高的个体替换掉记忆细胞中适应度低的个体。否则，把当前群体中适应度高的个体加入到记忆细胞中（5）抗体的促进和抑制：计算当前群体中适应度相近的个体浓度，浓度高则减小该个体的选择概率，反之则增加该个体的选择概率（6）抗体产生：交叉和变异,龚涛,智能系统控制,免疫进化算法,图6 免疫遗传算法流程图,龚涛,智能系统控制,基于免疫更新机制的遗传算法,根据免疫更新机制设计出遗传操作系统，我们称之为基于免疫更新机制的遗传算法（IRM-GA）基于免疫更新机制的遗传算法与传统遗传算法的比较 1）IRM-GA按照免疫更新机制，随机地从前代抗体群中选取任意多个抗体，并取出这些抗体的某段染色体进行随机组合，生成新的抗体。因而新生成的抗体没有名义上的父母，具有很好的多样性，有效地解决了传统遗传算法由于只对两个染色体进行交叉操作而出现的早期收敛问题,龚涛,智能系统控制,基于免疫更新机制的遗传算法,2）IRM-GA把目的函数与制约条件作为抗原，使生成的抗体直接与问题相关联，收敛方向能得以控制，从而克服了传统遗传算法收敛方向无法控制的缺陷 3）IRM-GA对遗传子进行分段编码，能保证型质遗传，并使抗体遗传子能对应多值染色体，从而扩大了传统遗传算法的应用范围 4）IRM-GA中的潜在更新个体必须经过两次亲和度测试才能进入种群，使遗传操作对个体的选择更具针对性,龚涛,智能系统控制,克隆选择算法,基于克隆选择理论和亲和力成熟过程可提出一种克隆选择算法，其流程图如图7所示。该算法描述如下：（1）产生候选解集P，P由记忆细胞子集M和保持数量集 组成，即P M；（2）选择n个最好的个体；（3）克隆（2）中的，产生C个个体，克隆数量是抗原亲和力的递增函数；,龚涛,智能系统控制,克隆选择算法,（4）克隆的数量与超变异有关，超变异与抗原、抗体之间的亲和力成正比，产生的成熟抗体数量为；（5）为了组成记忆集M，从 中再次选择改进的个体，P的一些元素将被改进的 中的一些元素所代替；（6）为了产生多样性，用新的抗体取代d个抗体，低亲和力的细胞将被取代。,龚涛,智能系统控制,克隆选择算法,用克隆选择算法可解决多模型及组合优化问题，最典型的应用实例是解决旅行商问题。同时，算法具有学习和好的记忆保持能力。,龚涛,智能系统控制,图7 克隆选择算法,龚涛,智能系统控制,免疫Agent算法,免疫Agent（IA）除继承了广义Agent的共同特点外，还具有以下个性特点：（1）进化性。IA在系统中发挥作用时也同样具有进化特性，效用明显的IA将被复制以发挥更大的作用，作用不明显的IA将在多Agent系统的进化过程中被淘汰（2）防御性。IA的这个重要特性对于建立基于IA的复杂控制系统的分布式状态监控和故障预报很有启发意义（3）记忆性。IA的独特的学习记忆特性可用于机器学习（4）耐受性。IA的耐受性对于维持Agent自身的稳定以及多Agent系统的平衡具有重要意义,龚涛,智能系统控制,Ishida等基于免疫系统的局部记忆学说和免疫网络学说提出了基于Agent结构的人工免疫系统（B细胞可看作Agent），从而借助Agent的技术设计人工免疫系统及其IA算法。该算法分三步进行：（1）多样性产生（2）自忍耐建立（3）记忆非己IA算法已用于计算机病毒Agent的进化和网络防御系统，还被用于噪声的自适应控制。,免疫Agent算法,龚涛,智能系统控制,免疫学习算法,以上AIS的算法模型都是基于免疫系统的各种计算方面来开发的。免疫系统是以一种完全分布式方式实现许多复杂计算，具有进化学习、联想记忆和模式识别等能力。免疫系统的机理非常复杂，有些机理甚至连免疫学家还没有很好地理解，这也使得现有的AIS模型局限于免疫系统的某一种机理，且其稳定性和收敛性等理论分析也没涉及。故应进一步从计算角度了解免疫系统中各组成部分的功能和内在机理，在一个整体的框架下对免疫系统的所有潜在的有用特性进行集成研究，以开发鲁棒性和巨大并行性的自适应免疫计算系统,龚涛,智能系统控制,5 免疫计算智能系统的应用,基于免疫反馈机理的控制系统 免疫自适应控制 自律移动机器人 免疫模式识别 免疫故障诊断 免疫思想在计算机安全中的应用,龚涛,智能系统控制,基于免疫反馈机理的控制系统,免疫系统在动态变化的环境中维持其自身系统的稳定起重要作用，是一个非常鲁棒的自适应系统，能处理各种干扰和不确定性，故免疫系统的机理可提供新的方法适用于未知环境中的动态问题，给当前复杂系统的智能控制提供了一种强大的选择。,龚涛,智能系统控制,基于免疫反馈机理的控制系统,免疫反馈规律 基于前述的T细胞反馈调节原理，考虑以下简单的反馈机理。定义在第k代的抗原数量为，由抗原刺激的细胞的输出为，细胞对B细胞的影响为，则B细胞接收的总的刺激为：,其中，,龚涛,智能系统控制,基于免疫反馈机理的控制系统,若将抗原的数量作为偏差，B细胞接收的总的刺激作为控制输入，则有以下反馈控制规律：,其中，是一选定的非线性函数。上式中，参数K控制反应速度，参数 控制稳定效果。,龚涛,智能系统控制,基于免疫反馈机理的控制系统,考虑到常规P控制器的控制算法为：,式中，KP为比例增益。基于免疫反馈机理的控制器是一个非线性P控制器，其比例增益,随着控制器输出的变化而变化。且控制器的性能很大程度上依赖于参数K、u和非线性函数的选取。,龚涛,智能系统控制,基于免疫反馈机理的控制系统,免疫反馈控制器的设计 以上P型免疫控制器对于二阶或高阶对象不是很有效，不能补偿由噪声或干扰引起的控制偏差。为此，以下提出一种新颖的适用于各阶对象的免疫反馈控制系统的结构。整个控制系统的原理图如图8所示，其中，免疫控制器由一个基本的P型免疫控制器和一个增量模块组成。且考虑到设计P型免疫反馈规律时，选取参数值K、u和非线性函数 的困难，用一个模糊控制器来实现抑制项。,龚涛,智能系统控制,基于免疫反馈机理的控制系统,图8 模糊自调整的免疫增量反馈控制系统。,龚涛,智能系统控制,基于免疫反馈机理的控制系统,根据极点配置方法，对于一个n阶对象，控制系统的阶数应为n-1。于是，对P型免疫控制器的输出经增量模块运算后，整个控制器的输出为：,其中，为P型免疫控制器在k时刻的输出，为采样间隔。于是，整个控制器算法的离散形式为：,龚涛,智能系统控制,基于免疫反馈机理的控制系统,为使以上控制器的结构更清楚易懂，下面以常用PID型控制器的结构为例来进一步地说明。考虑到常规PID控制算法的离散形式为：,其中，为比例增益，和 分别为积分常数和微分常数。PID型免疫控制器的输出为：,(2),龚涛,智能系统控制,基于免疫反馈机理的控制系统,以上控制器可进一步写成：,其中，,龚涛,智能系统控制,实际的工业控制对象具有非线性、不确定性、参数分布性和时变性等复杂特性，传统的控制方法无法获得更好的控制效果。而将免疫机制引入控制领域，为解决复杂的动态自适应控制难题提供了崭新的思路。在现代控制工程中，为设计各种鲁棒控制算法以满足不断增长的高性能要求作了许多努力。免疫系统的学习机制，如克隆选择以及它的网络动态特性为鲁棒控制提供了可借鉴的思想。结合免疫学领域中的概念，有人提出了一种免疫计算系统，它使用免疫系统模拟计算（硬计算和软计算）技术来重构生物免疫系统的鲁棒性和自适应性。免疫自适应控制系统结构框图如图9所示。,免疫自适应控制,龚涛,智能系统控制,免疫自适应控制,图9 免疫自适应控制系统结构图,龚涛,智能系统控制,图9的神经控制器和神经系统模型中，神经网络都是由可组态的积木块(build blocks)组成，确定性部分BNC(Base-line NeuroControl)和BNM(Base-line NeruoModel)采用BP算法离线识别，可变部分CNC(Changeable NeuroControl)和CNM(Changeable NeruoModel)采用改进型遗传算法进行在线处理。该系统的主要特点是借鉴了免疫系统具有的双时间尺度进化结构。双时间尺度进化包括DNA分子生物进化的慢速学习模式和用于免疫系统进化的快速学习模式。免疫系统的鲁棒性是在慢速学习阶段保证在外来攻击的大范围内具有满意的性能。免疫系统的自适应性是在快速学习阶段实现的。该方法成功应用于一个不确定模型UH-1经度直升机悬停模型的控制。,免疫自适应控制,龚涛,智能系统控制,自律移动机器人,在人工智能中，Agent的自治行为尤其是动态环境中的自适应性一直是研究热点。生物免疫系统是一个高度分布的协调自适应系统。从信息处理的角度，将实际的机器人行为控制问题进行状态转化来定义抗原与抗体，将机器人所探测到的周围物体的位置、方向以及内部的状态能量作为抗原，将针对当前机器人内部的各个基本动作作为抗体。这样，通过抗原、抗体以及抗原与抗体之间的相互作用来最终决定机器人的当前行动策略。,龚涛,智能系统控制,自律移动机器人,龚涛,智能系统控制,上式中，i,j=0,N-1，N是网络中抗体类型总数；表示抗体i所受到的抗原及与之相连的其它抗体的刺激值；表示抗体i的浓度，表示抗体i与抗体j间的连接权值；表示抗原对抗体的刺激强度，即亲和度；表示抗体的自然消亡系数；为常数。然后，利用S型函数对抗体浓度进行归一化处理。,自律移动机器人,龚涛,智能系统控制,自律机器人的行动控制算法描述如下：(1)初始化免疫网络状态，将抗体的浓度设置为初始值，t=0；(2)检测外部环境是否有抗原入侵，如果有抗原入侵，则转至(3)，否则继续检测(3)如果抗体i能识别抗原，否则；,自律移动机器人,龚涛,智能系统控制,（4）计算各抗体在t+1时刻的浓度;（5）选择浓度最大的一个抗体s，执行抗体上的行动策略，即规则s的结论部分;（6）判断是否满足终结条件，若满足，则结束；不满足则转到（2）。,自律移动机器人,龚涛,智能系统控制,免疫模式识别,Hunt等基于免疫系统的遗传机理、克隆选择机理、免疫反应亲和力成熟、内容可访记忆、匹配机理及自组织特性，开发了具有学习能力的AIS用于模式识别,龚涛,智能系统控制,免疫模式识别,AIS操作包括一个根对象，一个B细胞网络，一组学习样本和一组测试数据。网络中每个细胞具有一个模式匹配文件，它是通过模仿在自然免疫系统中形成抗体的遗传机理来产生的，允许复杂词汇和促使模式匹配文件的多样性。该系统具有与免疫系统相似的两种反应：初次反应和再次反应。初次反应是学习阶段，AIS从输入样本数据中学习模式；再次反应表示模式识别过程，在这个过程中，AIS将新的数据根据以前学习的相关数据进行分类,龚涛,智能系统控制,B细胞的激励水平由以下方程描述：,上式中，s表示激励水平，右边第一项表示某一抗体与其相邻抗体的匹配程度，第二项表示某一抗体与其相邻抗体的不匹配程度，第三项表示抗体与抗原之间的亲和力，（i1,2,3）为反应激励与抑制可能不相等的常数值。,免疫模式识别,龚涛,智能系统控制,Ishida研究了一种基于抗体和抗原相互识别特性的动态免疫网络，并用于工厂仪器系统的故障诊断。考虑传感器之间的关系，用双向弧构造了传感器的免疫系统网络模型。通过计算传感器数据的可靠性及传感器数据之间关系的可靠性分别实现了传感器与过程故障的诊断。通过网络平衡点的变化，不仅能识别不可靠的传感器，而且也能识别数据之间的制约关系,免疫故障诊断,龚涛,智能系统控制,该网络的特点为：（1）系统级识别可以通过单元级识别来获得；（2）记忆存储在网络稳定平衡点；（3）具有并行处理能力；（4）能处理不完整的信息和数据；（5）具有自组织能力；（6）在失败演化中不需要反馈循环。,免疫故障诊断,龚涛,智能系统控制,网络行为由以下方程描述：,上式中，为单元个体可靠性的状态变化，为网络计算结果，为由 参数决定的阈值函数。,免疫故障诊断,龚涛,智能系统控制,在自动化程度高的工厂系统中，有大量的设备相互作用，而检测传感器的数量有限，只是在一些被认为比较重要的设备上安装了传感器。所以当某个传感器检测到故障时，并不能确定安装该传感器的设备出了故障，也可能是由于其它设备出了故障而引起该设备工作的异常。由于故障的传播，多个传感器在很短时间内可能都将变成故障状态，给故障源的诊断带来困难。,免疫故障诊断,龚涛,智能系统控制,Ishiguro等为了解决故障源的诊断问题，改进了由Jerne提出的独特型免疫网络，在Jerne的B细胞网络的基础上，加入了T细胞网络，并结合故障传播网络构造了一种适于解决故障源诊断问题的AIS。,免疫故障诊断,龚涛,智能系统控制,图10给出了由7个部件、3个检测传感器构成的AIS图，把设备部件作为B细胞，传感器作为T细胞，而传感器检测得到的数据作为抗体，网络中B细胞相互激励和抑制，T细胞对B细胞起调节作用。,免疫故障诊断,龚涛,智能系统控制,免疫故障诊断,图10 故障源诊断AIS示意图,龚涛,智能系统控制,在图11中，为故障源率，它由下式确定：,免疫故障诊断,上式中，k和 为正的常数，为负常数，和 分别表示相邻单元激励或抑制，表示来自于传感器的激励或抑制，k为保证免疫网络全局稳定的常数。此方程是对故障源率进行标准化，使其值在01之间。,龚涛,智能系统控制,以上所构造的AIS已被证明可成功地诊断复杂系统的故障源，并可用于工厂系统的在线故障诊断。,免疫故障诊断,龚涛,智能系统控制,计算机安全问题在Internet时代变得空前重要起来，而将人类免疫系统的发现和研究成果应用到计算机安全系统是很自然的想法。人类的自然免疫系统的作用是保护人类免遭病菌的侵害，而计算机安全系统所扮演的角色是防止计算机网络免遭病毒、蠕虫和入侵者的攻击，因此两个系统之间的类似之处是非常明显的,免疫思想在计算机安全中的应用,龚涛,智能系统控制,入侵检测系统（IDS）是一种能自动检测计算机系统入侵行为的系统。根据监视的对象，入侵检测系统可分为（1）应用入侵检测系统（2）主机入侵检测系统（3）网络入侵检测系统,免疫思想在计算机安全中的应用,龚涛,智能系统控制,确保计算机系统的安全性包括以下行为：检测计算机设备是否非法使用；确保数据文件的完整性；阻止计算机病毒的蔓延等。我们可以把保护问题看作为更一般的区别自己和非己的一种特例。基于这种想法，Forrest等将免疫系统的一些思想引入到信息安全，主要是借鉴免疫中阴性选择的思想来保护静态数据免遭病毒的修改。基于免疫系统的自体/异体识别原理，Forrest等开发了一种用于检测数据改变的阴性选择算法，即将信息安全问题看成是一个更加普遍的问题，从而区分自体与异体。这里，自体是指合法用户或被保护的数据、文件等，异体是指授权用户或被篡改了的数据。,免疫思想在计算机安全防护中的应用,龚涛,智能系统控制,常见的病毒检测技术有三种，活动监视、特征扫描和文件认证，Forrest等提出的算法属于最后一种，是一种检测变化的方法。,免疫思想在计算机安全防护中的应用,龚涛,智能系统控制,基于人体免疫系统的自体和异体识别机理的异常数据检测系统，可有效地检测正常数据和异常数据。具体做法是：运用阴性选择算法，随机产生检测器串，将那些能识别自体的串消除，不能识别自体的串保留。再用保留下来的检测器串来保护文件，检测出异体。此时，自体是指需被保护的文件；异体是指任何对自体的改变。,免疫思想在计算机安全防护中的应用,龚涛,智能系统控制,算法可分为两个阶段：（1）生成一套检测器，每个检测器是一个字符串，它与被保护文件不相匹配，其过程如图11所示。（2）用被保护的文件与检测器相比较，监控被保护的数据。如果一个检测器被激活，则可知被保护的文件发生了变化，该检测过程如图12所示。,免疫思想在计算机安全防护中的应用,龚涛,智能系统控制,图11 有效检测器的产生过程,图12 需保护字符串的监控过程,免疫思想在计算机安全防护中的应用,龚涛,智能系统控制,Forrest等将区分自体与异体的思想进一步延伸，建立了UNIX特权进程自身的定义。他们通过大量试验说明运行进程的系统调用的短序列有稳定的正常行为特征。当异常事件发生时，该特征会发生变化。,免疫思想在基于主机的入侵检测中的应用,龚涛,智能系统控制,在他们所提出的时延嵌入序列（TIDE）的方法中，通过列举出现在训练数据中所有唯一的，预先给定长度为K的连续序列来构造程序正常行为轮廓数据库。当选择序列长度为K时，他们将长度为K的窗口通过每个正常轨迹，一次滑动一个系统调用，向正常轮廓库中添加唯一的序列。建立这样的数据库轮廓只需要一次遍历数据。为了节省存储空间和加速比较，将序列树状存储,免疫思想在基于主机的入侵检测中的应用,龚涛,智能系统控制,检测时，来自检测轨迹的序列与正常数据库轮廓中的序列相比较，在数据库中找不到同样的序列叫做不匹配。任何一次不匹配都说明该序列是没有包括在正常训练数据库轮廓中的序列，它可能是异常行为。通过计数不匹配的次数，并求出不匹配次数占数据库中总序列的百分比，再将这个百分比与预先给定的阈值相比较，就可以判断程序每次执行是正常还是异常。该项技术对UNIX的程序SENDMAIL、LPR、FTPD等都很有效。,免疫思想在基于主机的入侵检测中的应用,龚涛,智能系统控制,该方法采用短序列的完全匹配方法，具有自然免疫系统的多样性特点。每一个站点都有基于本地软件的独特的正常轮廓，因此利用同一弱点的一个入侵很难在多个站点同时得逞。,免疫思想在基于主机的入侵检测中的应用,龚涛,智能系统控制,在分析研究人类免疫系统工作原理的基础上，借鉴其基因选择、阴性选择、抗体检测及克隆选择等机制，有人在网络入侵检测系统中引入一种基于免疫系统的新模型。在该模型中，自体定义为计算机间正常的TCP/IP连接集合，可用表征TCP/IP连接特性的多元组，如（源IP地址，目的IP地址，服务端口，协议类型）来表示。根据实际需要，还可以对该多元组进行扩充。与之相反，异体是计算机间反常的TCP/IP连接集合。在具体表现形式上，一个连接可以通过某种规则映射为一个唯一的表征该连接的长度为的二进制字符串。模型中引入了检测元（detector）的概念用于区分自体和异体，检测元也用一个长度为的二进制字符串d来表示。,免疫思想在基于网络入侵检测中的应用,龚涛,智能系统控制,免疫模型的总体物理结构如图13所示。假定该入侵检测系统用于检测一个局域网，该局域网由一个或多个子网组成，模型由一个主系统和分布在子网中的多个检测代理组成，其中主系统可位于任一子网中，在一个子网中可以有一个或多个检测代理。检测代理检测子网的TCP/IP连接，负责子网的入侵检测工作。主系统和检测代理之间可采用代理通信机制进行通信。,免疫思想在基于网络入侵检测中的应用,龚涛,智能系统控制,免疫思想在基于网络入侵检测中的应用,图13 模型的物理结构,龚涛,智能系统控制,模型的工作原理如图14所示。主系统首先通过一个随机过程产生候选的未成熟检测元，然后通过阴性选择过程产生有效的成熟检测元。这些成熟检测元分组传送到每个检测代理中，从事实际的入侵检测工作。在检测代理中，从主系统传来的成熟检测元进入实际的检测阶段。在测试阶段，检测元利用适当的字符串匹配算法执行检测任务。,免疫思想在基于网络入侵检测中的应用,龚涛,智能系统控制,如果一个成熟的检测元在时间内能够匹配到足够数量的分组，就会被启动；反之，如果在时间内检测元没有被启动，该检测元被认为是无效检测元而被删除。当一个检测元被启动后，检测代理通过邮件或消息等其它方式向主系统发出警告，由管理员决定是否为异常行为。如果在给定的时间内，管理员将该次告警判断为异常行为，那么该检测元将进入下面所述的克隆选择阶段；否则，该次告警被认为是误报，相应的检测元死亡而代之以新产生的检测元。,免疫思想在基于网络入侵检测中的应用,龚涛,智能系统控制,免疫思想在基于网络入侵检测中的