Page 138 - 《软件学报》2021年第10期

3110 Journal of Software 软件学报 Vol.32, No.10, October 2021

开始

1.初始化参数,
标准化实值样本
2.转换自体样本集合到
邻域形态空间

3.生成随机数flag, 0≤flag≤1
≤
0 flag p r[0] p r[0] < flag p r[0]+ p r[1] p r[0]+ p r[1] < flag 1
≤
≤
≤
随机方式构造候 混沌映射方式构造 遗传算法方式构造
选检测器 候选检测器 候选检测器
4.亲和力计算
N
亲和力<匹配阈值
Y
5.将该候选检测器加入
成熟检测器集中
N
6.覆盖率估计或检测器个数估计
Y
结束

Fig.5 Flow chart of multi-source-inspired immune detector generation algorithm
图 5 多源邻域免疫检测器生成算法流程

(1) 随机方式的优点是实现简单、速度快,但分布性不可控、不均匀分布的候选样本对算法的寻优速度
影响较大,使算法容易陷入局部最优区域,检测器生成的效率低,算法收敛速度慢,且不可避免地存在
“黑洞”问题;
(2) 遗传变异方式提取有用 DNA,克服随机因素,使检测器的构造和生成具有靶向性,能够加速算法收敛,
但算法只能在当前搜索到的子空间内维持较好的分布性能,而且通过优秀 DNA 构造的检测器检测容
易造成“马太效应”,使新兴个体难以进入搜索视野范围,导致种群缺乏多样性,不能保证找到全局最
优解;
(3) 混沌映射方式由于其本身具有的遍历性,可以使数据源均匀分布在问题空间,当算法陷入因遗传变异
方式造成的局部最优时,通过混沌映射构造的解可以跳出局部最优,从而提高检测器的分布能力.然
而,在高维形态空间下,由于属性较多、搜索空间较大,很难较快地搜索到最优解空间,使算法的搜索效
率降低,收敛速度下降;
(4) 在构造候选检测器来源的选择上,算法通过加权轮盘赌的方式来进行,每种构造候选检测器方法在轮
盘赌中的权重随着基于该方式检测器的检测性能而发生改变:生成的检测器检测性能越好的构造来
[9]
源在轮盘中的累计概率越大,权重越大,则这种来源在构造候选检测器时被选用的概率也越大 ;
(5) 设算法初始解为 X=(x 1 ,x 2 ,...,x n ),同时,设当前最优解为 X Best =X.设算法总迭代次数为 m,其中,采用随机、
混沌映射和遗传变异方式的迭代次数分别为 m 1 、m 2 和 m 3 ,则 m=m 1 +m 2 +m 3 ;设当前迭代次数为 k,算法
基于加权轮盘赌的方式使算法在上述 3 种方式中不断切换来优化空间.同时,伴随检测实时调整权重:
性能越好的方式,迭代次数就越多,从而使算法自适应调整种群进化状态;若生成的解 X c 优于当前最
[9]
优解,则 X Best =X c ,直至 k=m,则停止搜索 ;
(6) 因此,3 种候选检测器构造方式优势互补:遗传变异基于 DNA 疫苗的有用知识,可靶向性解决随机和