人工免疫算法仿真与优化实现系统

资 源 简 介

该项目实现了人工免疫算法（Artificial Immune Algorithm, AIA）在MATLAB环境下的完整仿真流程。人工免疫算法是一种仿生优化算法，模拟生物免疫系统的识别、学习、记忆和克隆选择机制。本项目主要包含克隆选择算法（Clonal Selection Algorithm）和免疫记忆模型，能够解决多维函数优化、模式识别以及故障诊断等问题。系统通过随机生成抗体群体，根据抗体与抗原之间的亲和力（即目标函数值）进行筛选，对高亲和力的个体进行差异化克隆扩增。随后，算法对克隆出的个体执行高频变异操

详 情 说 明

人工免疫算法仿真与优化实现系统

项目介绍

本项目是一个基于MATLAB环境开发的人工免疫克隆选择优化系统。该系统通过模拟生物免疫系统的核心机制——克隆选择、亲和力成熟、高频变异以及免疫抑制，构建了一个具有高度鲁棒性的全局优化框架。系统主要用于解决复杂多维非线性函数的寻优问题，能够有效地平衡算法的搜索（Exploration）与开发（Exploitation）能力，在存在大量局部极值的情况下寻找全局最优解。

功能特性

1. 模块化设计：算法逻辑（初始化、评价、克隆、变异、选择、抑制）清晰分离，便于针对不同优化目标进行扩展。
2. 动态克隆策略：依据抗体亲和力排名动态分配克隆资源，排名越高（亲和力越强）的个体获得的克隆副本越多。
3. 亲和力引导变异：实现了变异步长与亲和力水平的反相关关系，使高亲和力抗体在小范围内精细搜索，而低亲和力抗体在大范围内执行探索。
4. 种群多样性保持：通过引入20%比例的随机新抗体，强制执行种群的免疫抑制与更新，防止系统陷入局部最优（早熟收敛）。
5. 自适应参数调整：系统可以根据历史进化停滞情况，自动调整变异概率（pm），在搜索陷入平台期时主动增加勘探强度。
6. 多维可视化分析：提供进化收敛曲线绘制，并针对二维优化问题实时展示抗体群体的空间分布与算法动态。

系统要求

1. 运行环境：MATLAB R2016b 或更高版本。
2. 所需工具箱：核心功能仅依赖MATLAB基础功能，无需额外工具箱。

仿真实验逻辑说明

系统的主执行逻辑严格遵循人工免疫克隆选择算法的标准流程：

1. 参数初始化：配置种群规模、维度、上下界、克隆倍数以及变异基础参数。随后在定义的解空间内随机生成初始抗体群。
2. 亲和力评价：以目标函数值作为亲和力标准（针对最小化问题，值越小亲和力越高），计算当前所有抗体的适应度。
3. 克隆选择：选取种群中前50%的优秀抗体进入克隆池。克隆副本的数量按照其亲和力排名递减，实现优胜劣汰。
4. 高频变异：对克隆池中的所有副本实施变异。变异强度受到归一化亲和力的调控，利用指数函数关系确定变异步长，确保进化的精细度。
5. 竞争与筛选：将变异后的克隆种群重新评价，并从中挑选亲和力最高的一组个体作为下一代的核心成员。
6. 免疫抑制与更新：保留80%的最优变异个体，并剔除其余个体，替换为完全随机生成的新抗体。这一步骤模拟了免疫抑制机制，保证了种群对整个解空间的持续覆盖。
7. 策略自适应调整：程序会持续监测最近10代的最佳亲和力。若亲和力未发生变化，则增大变异概率以突破局部搜索陷阱；若进化正常，则适当调低变异概率以稳定收敛。

关键函数与算法细节

1. 主运行逻辑函数：负责维护整个算法的生命周期。它在每一代循环中协调亲和力计算、个体排序、克隆生成、变异执行以及种群更新。
2. 目标函数模块：系统默认采用了Rastrigin函数。该函数具有典型的多峰、非线性特征，其全局最小值位于原点。它能极好地测试算法对抗局部最优陷阱的能力。
3. 动态克隆算子：通过计算公式 round(cloneNum * popSize / i) 确定每个优良个体的克隆数量。这意味着排名第一的个体将获得远超其他个体的进化机会。
4. 自适应变异机制：变异步长 sigma 受 beta * exp(-normAff) 控制。normAff 越小（越接近最优），sigma 越小，通过这种方式实现了从全局扩展搜索到局部细微修正的平滑过渡。
5. 多样性控制模块：在每代迭代末尾，通过将种群的20%强制替换为随机样本，增强了算法的广域搜索能力，这是解决复杂优化问题的核心关键。

使用方法

1. 打开MATLAB软件，将当前工作路径定位至项目根目录。
2. 在命令行窗口直接输入主入口函数指令并回车。
3. 系统将启动优化流程，实时打印当前算法运行的总耗时、寻找得到的最终最优解位置以及最佳亲和力极值。
4. 程序运行结束后，将自动弹出图形化界面，展示左侧的“适应度进化轨迹收敛图”以及右侧的“最终抗体群体分布状态图”。
5. 用户若需修改优化维度或搜索范围，可直接在主函数顶部的系统参数设置区域调整 params 结构体中的各项数值。