免疫算法学习
1. 生物免疫过程
1.1 抗原呈递：
固有免疫阶段，巨噬细胞等抗原呈递细胞吞噬病原体后，会将病原体的特征性抗原（抗原表位）加工处理，并呈递在细胞表面的 MHC 分子上，随后将抗原信号传递给初始 T 淋巴细胞，启动适应性免疫。
1.2 T 淋巴细胞活化与作用：
初始 T 细胞通过表面受体识别抗原呈递细胞呈递的抗原 - MHC 复合物后被激活，增殖分化为不同亚群。其中，辅助性 T 细胞会分泌大量细胞因子，辅助 B 细胞和细胞毒性 T 细胞活化；细胞毒性 T 细胞可特异性识别并裂解被病原体感染的靶细胞或异常肿瘤细胞。
1.3 B 淋巴细胞活化与抗体产生：
B 细胞表面的受体可直接识别病原体抗原，同时在辅助性 T 细胞分泌的细胞因子作用下被激活，增殖分化为浆细胞和记忆 B 细胞。浆细胞能大量合成并分泌针对该病原体的特异性抗体，抗体可通过中和病原体毒性、促进补体激活、介导吞噬细胞吞噬等方式清除病原体。
1.4 免疫记忆形成：
适应性免疫反应后期，大部分效应 T 细胞和浆细胞会凋亡，而少量记忆 T 细胞和记忆 B 细胞会留存于体内。当机体再次接触相同病原体时，记忆细胞可快速增殖分化为效应细胞，迅速产生强烈的免疫反应，及时清除病原体，这也是疫苗发挥长期保护作用的核心机制。
2. 免疫算法
免疫算法是模仿生物免疫机制，结合基因的进化机理，人工构造出一种新型的智能优化算法。它采用群体搜索策略，通过迭代计算，以较大的概率得到问题的最优解。免疫算法具有自适应性、随机性、并行性、全局收敛性、种群多样性等特点。相比与其它算法，免疫算法利用自身产生多样性和维持机制的特点，保证种群的多样性，克服了一般寻优算法中的不可避免的“早熟”现象(特别是多峰值的寻优过程)。
它是一种将确定性和随机性相结合的启发式随机搜索算法，将优化的问题对应免疫应答中的抗原，可行解对应抗体，可行解的质量对应免疫细胞与抗原的亲和度。如此可以将优化问题的寻优过程与生物免疫中识别抗原并实现抗体进化的过程对应起来。具体概念对应表如下：
| 生物免疫系统 | 免疫算法 |
| 抗原 | 优化问题 |
| 抗体(B细胞) | 可行解 |
| 亲和度 | 可行解的质量 |
| 细胞活化 | 免疫选择 |
| 细胞分化 | 个体克隆 |
| 亲和度成熟 | 变异 |
| 克隆抑制 | 克隆抑制 |
| 动态维持平衡 | 种群更新 |
免疫算法主要包含以下几步：
(1) 抗原识别与初始抗体产生。根据待优化问题的特点设计合适的抗体编码规则，并在此编码规则下利用问题的先验知识产生初始抗体种群。
(2) 抗体评价。对抗体的质量进行评价，评价准则主要为抗体亲和度和个体浓度，评价得出的优质抗体将进行进化免疫操作，劣质抗体将会被更新。
(3) 免疫操作。利用免疫选择、克隆、变异、克隆抑制、种群刷新等算子模拟生物免疫应答中的各种免疫操作，形成基于生物免疫系统克隆选择原理的进化规则和方法，实现对各种最优化问题的寻优搜索。
2.1 免疫算法的特点
免疫算法是受免疫学启发，模拟生物免疫系统功能和原理来解决复杂问题的自适应智能系统，它保留了生物免疫系统所具有的若干特点，包括:
(1) 全局搜索能力。模仿免疫应答过程提出的免疫算法是一种具有全局搜索能力的优化算法，免疫算法在对优质抗体邻域进行局部搜索的同时利用变异算子和种群刷新算子不断产生新个体，探索可行解区间的新区域，保证算法在完整的可行解区间进行搜索，具有全局收敛性能。
(2) 多样性保持机制。免疫算法借鉴了生物免疫系统的多样性保持机制，对抗体进行浓度计算，并将浓度计算的结果作为评价抗体个体优劣的一个重要标准:它使浓度高的抗体被抑制，保证抗体种群具有很好的多样性，这也是保证算法全局收敛性能的一个重要方面。
(3) 鲁棒性强。基于生物免疫机理的免疫算法不针对特定问题，而且不强调算法参数设置和初始解的质量，利用其启发式的智能搜索机制，即使起步于劣质解种群，最终也可以搜索到问题的全局最优解，对问题和初始解的依赖性不强，具有很强的适应性和鲁棒性。