【正文】 500 個檢測器來檢測 30 個訪問請求的檢測結(jié)果，圖 (b)為蟻群算法選取信息素較高前 350 個檢測器來檢測 30 個訪問請求的檢測結(jié)果。本實驗中，每檢測 30 個訪問請求，更新一次信息素并且相應(yīng)減少檢測器的數(shù)目。檢測器每檢測出一個非法訪問請求，其信息素的值加 1。 gcc o test_ant 編譯命令，編譯 ，生成 test_ant 程序的調(diào)試可以通過 gdb 的相關(guān)指令進行。 for(m=0。 信息素計算 選出信 息素較高的前 500 個檢測器 檢測請求 統(tǒng)計請求數(shù) 請求數(shù)是否達到 30 所有請求是否都已檢測 輸出檢測結(jié)果 輸出檢測結(jié)果 江蘇大學(xué) 2020 屆本科畢業(yè)論文 22 Y N N Y 圖 隨機算法流程圖 隨機選擇的主要代碼： define random(x)(rand()%x) srand((int)time(0))。t=48。 } } 選出信息素較高的 500個檢測器 的主要代碼： for(d=0。t=8。/*每次檢查的抗體長度 */ 江蘇大學(xué) 2020 屆本科畢業(yè)論文 19 通過遞歸算法生成檢測器： Y N Y N N Y 圖 遞歸生成檢測器流程圖 計算每個檢測器檢測出非法的次數(shù)：檢測器的信息素的值保存在 infor 數(shù)組中，檢測訪問請求時，將檢測出非法請求的檢測器的對應(yīng)的信息素的值加 1。/*最長有效位長度 */ int flag_r=0。 （ 8）終止。 （ 6）抗體的演變。將適應(yīng)值較大的抗體作為記憶細胞加以保留。初始抗體群通常是在解空間用隨機的方法產(chǎn)生的，抗體群采用二進制編碼來表示。Ishida 提出了基于智能體結(jié)構(gòu)的免疫算法。 基于免疫網(wǎng)絡(luò)的免疫算法 Naruaki 提出基于主要組 織相溶性復(fù)合體 (MHC)和免疫網(wǎng)絡(luò)理論自適應(yīng)優(yōu)化的免疫算法，用于解決多艾真體中每個艾真體的工作域分配問題要分兩步 :(1)MHC 區(qū)別自己和非己，消除智能體中的競爭狀態(tài) 。 基于疫苗的免疫算法 焦李成等提出基于免疫系統(tǒng)的理論提出基于疫苗的免疫算法。與抗原匹配更好的子 B細胞再分裂。 Chun 將免疫算法與進化策略、遺傳算法相比 較，指出免疫算法的特點與優(yōu)點。通過在算法中加入免疫記憶功能，提高了算法的收斂速度。針對這一缺點， Helman 提出一種更有效的檢測器產(chǎn)生算法，使得集合中檢測器的數(shù)量隨著數(shù)據(jù)的長度按線性增長。 Forrest 基于反向選擇原理提出了反向選擇算法用來異常檢測，算法主要包括兩個步驟 :首先，產(chǎn)生一個檢測器集合，其中每一個檢測器與被保護的數(shù)據(jù)不匹配 。 人工免疫算法 近年來，國內(nèi)外己提出并發(fā)展了一些免疫算法，不同免疫算法的分析和比較主要從以下兩方面進行研究 :1)自然免疫系統(tǒng)的免疫學(xué)理論和方法 。而那些對自身蛋白產(chǎn)生免疫應(yīng)答的未成熟 T細胞則被就地破壞掉，從而防止對生物體自身造成錯誤攻擊。一層涵義的識別是對入侵抗原的識別，主要是通過淋巴細胞上的抗原識別受體與抗原的結(jié)合來 實現(xiàn)的，二者結(jié)合的強度稱為親合度。當(dāng)某種抗體的濃度達到一個給定閉值時，它就起到了某種抗原的作用而對別的能與之相匹配的抗體產(chǎn)生激勵作用，同時，它也被別的抗體抑制，從而導(dǎo)致其濃度的下降，直到免疫系統(tǒng)回復(fù)到平衡狀態(tài)。 當(dāng)病原體被清除后，免疫系統(tǒng)中就只存在抗體而不存在抗原了，或者抗原存在但 濃度很低，這種 (或多種 )與病原體匹配并參與清除抗原的抗體在免疫系統(tǒng)中大量存在，濃度較高，免疫系統(tǒng)這時處于一種失衡狀態(tài)，它如何回復(fù)到平衡狀態(tài)呢 ? 等人提出的獨特型 (idiotypic)網(wǎng)絡(luò)學(xué)說回答了這個問題。這個學(xué)說認為免疫系統(tǒng)在胚胎期由于遺傳和免疫細胞在增殖中發(fā)生基因突變，形成了免疫細胞的多樣性。 免疫系統(tǒng)是高等脊椎動物體內(nèi)能夠識別和排除抗原性異物，保護機體免受損害及維持內(nèi)環(huán)境穩(wěn)定的極為復(fù)雜的生物學(xué)系統(tǒng)。 從信息處理的觀點看 (From an informationprocessing perspective)，免疫系統(tǒng)是與遺傳系統(tǒng)、神經(jīng)系統(tǒng)并存的人體三大信息系統(tǒng)之一，它具有如下的功能 :模式識別能力，并行信息處理能力，學(xué)習(xí)能力，記憶與聯(lián)想能力，自適應(yīng)能力，自組織自調(diào)整能力以及抗體的多樣性保持能力。當(dāng)親合力超過某一閉值時，即表示抗體與抗原匹配成功，免疫應(yīng)答 (immune response)過程被啟動。 蟻群算法流程圖 江蘇大學(xué) 2020 屆本科畢業(yè)論文 12 圖 基本蟻群算法程序流程圖 復(fù)雜度分析 對于 TSP，所有可行的路徑共有 (n1)!/2 條，以此路徑比較為基本操作，則需要(n1)!/21次基本操作才能保證得到絕對最優(yōu)解。 (6)修改禁忌表指針，即選擇好之后將螞蟻移動到新的元素 (城市 )，并把該元素 (城市 )移動到該螞蟻個體的禁忌表中。令時間 t=0 和循環(huán)次數(shù) Nc=0，設(shè)置最大循環(huán)次數(shù) Ncmax, 將 m個螞蟻置于 n個元素 (城市 )上，令有向圖上每條邊 (i, j)的初始化信息量τij(t)=const, 其中 const 表示常數(shù)，且初始時刻Δτ ij(0)=0 (2)循環(huán)次數(shù) Nc← Nc+1。江蘇大學(xué) 2020 屆本科畢業(yè)論文 11 當(dāng)一個螞蟻走完了所選的路徑，則按式 ()更新信息素值。假設(shè)),( 1 sjji xxxis ???? 表示第 i只螞蟻可以去的所有位置的集合。按原有的模式重復(fù) 28個單位時間， nestBfood 和 nestCfood 路線的第一點信息素各積累 24 和 6，比值為 4:1。在行走 28個單位時間后，這兩點的信息素變化分別為 4和 2，比值為 2:1， nestCfood 路線的螞蟻返回 nest 點。 假設(shè)初始每條路線上分別分配一只螞蟻，每單位時間走一步。這個過程會一直持續(xù)到所有的螞蟻都走最短的那一條路為止。這些物資能被同一蟻群中后來的螞蟻感受到并作為一種信號影響后者的行動。產(chǎn)生于對蟻群行為的研究。 Idirname，將 dirname 所指出的目錄加入到程序頭文件目錄列表中，是在預(yù)編譯過程中使用的參數(shù)。如果不給出這個選項， gcc 就給出預(yù)設(shè)的可執(zhí)行文件 。 Gcc編譯器的調(diào)用參數(shù)大約有 100多個，其中多數(shù)參數(shù)我們可能根本就用不到，這里只介紹其中最基本、最常用的參數(shù)。匯編過程是針對匯編語言的步驟，調(diào)用as進行工作，一般來講， .S 為后綴的匯編語言源代碼文件和匯編、 .s為后綴的匯編語言文件經(jīng)過預(yù)編譯和匯編之后都生成以 .o 為后綴的目標(biāo)文件。 GCC 基礎(chǔ)知識要點 基本規(guī)則 gcc 所遵循的部分約定規(guī)則： .c 為后綴的文件， C語言源代碼文件； .a為后綴的文件，是由目標(biāo)文件構(gòu)成的檔案庫文件； .C， .cc 或 .cxx 為后綴的文件，是 C++源代碼文件； .h為后綴的文件，是程序所包含的頭文件； .i 為后綴的文件，是已經(jīng)預(yù)處理過的 C源代碼文件； .ii 為后綴的文件，是已經(jīng)預(yù)處理過的 C++源代碼文件； .m為后綴的文件，是 ObjectiveC源代碼文件； .o為后綴的文件，是編譯后的目標(biāo)文件； .s為后綴的文件，是匯編語言源代碼文件； .S為后綴的文件，是經(jīng)過預(yù)編譯的 匯編語言源代碼文件。如果文件太大，在一屏上無法完全顯示，則可用 more 命令 more 分屏顯示文件內(nèi)容，和 dos 下的 more 命令大致相同，但它可以和別的命令搭配使用。這個是 dos 和 Windows 所沒有的功能，主要是關(guān)于權(quán)限的問題。 cd 和 dos 下的 cd 一樣，轉(zhuǎn)換目錄的命令。 注意： Linux 中的參數(shù)輸入形式和 dos 不一樣，在命令后面應(yīng)該打一個空格，然后打 ，最后再跟一個或多個參數(shù)；另外 Linux 下大小寫是有區(qū)別的！ 下面介紹幾個 Linux 下最常用的命令，每個命令都與對應(yīng)的 dos 命令作比較，并列出一些常用的參數(shù)。 Linux 從一開始，就決定自由擴散 Linux、包括源代碼，他把源代碼發(fā)布在網(wǎng)上，隨即就引起愛好者的注意，他們通過互連網(wǎng)也加入了 Linux 的內(nèi)核開發(fā)工作，一大批高水平程序員的加入，使得 Linux 達到迅猛發(fā)展，到 1993 年底， Linux 終于誕生。本文將人工免疫算法與蟻群算法混合產(chǎn)生新的算法免疫蟻群算法 (Artificial Immune Ant Colony Algorithm，簡稱 AIACA)，并將該算法應(yīng)用于匹配檢測，計算機仿真結(jié)果證明該算法是計算精度都較好的一種算法。 人工免疫系統(tǒng) (Artificial Immune System，簡稱 AIS)是模仿生物免疫系統(tǒng)的免疫應(yīng)答、免疫 調(diào)節(jié)等機理，構(gòu)造出的一類高性能、自組織、魯棒性好的人工智能系統(tǒng)。(2)該算法容易早熟，即搜索進行一定程度后，所有個體所發(fā)現(xiàn)的解完全一致，不能對解空間進行進一步搜索 。受其啟發(fā)，意大利學(xué) 者 ， and 于 20世紀(jì) 90 年代初提出的一種新型的智能優(yōu)化算法蟻群優(yōu)化 (Ant Colony Optimization，簡稱 ACO)。例如，單只螞蟻的能力極其有限，但當(dāng)這些簡單的螞蟻組成蟻群時，卻能完成像筑巢、覓食、遷徙、清掃蟻巢等復(fù)雜行為 。 關(guān)鍵詞 ： 人工免疫算法 蟻群算法 匹配檢測 Linux英文摘要 II Ant Colony Simulation System Design and Implementation Abstract Artificial immune algorithm is fast random global search capability, but the feedback system is underutilized, often do a lot of inactive redundant iteration, solve the low colony algorithm has the distributed parallel global search capability, but the initial solution randomly, prematurit