【導讀】足，往往做大量無為的冗余迭代，求解效率低。蟻群算法具有分布式并行全局搜索能。力，但初始解隨機，易早熟且求解速度慢。本文提出免疫算法和蟻群算法的混合算。法免疫蟻群算法，通過信息素更新獲得全局最佳解。通過匹配檢測仿真實驗，結果證明。該算法是計算精度較好的一種算法。本設計是在Linux環(huán)境下，用C語言編寫的。Linux是一類Unix計算機操作系統(tǒng)的統(tǒng)稱。Linux操作系統(tǒng)的內核的名字也是“Linux”。Linux操作系統(tǒng)也是自由軟件和開放源代碼發(fā)展中最著名。嚴格來講，Linux這個詞本身只表示Linux內核，但在實際上人們已經習慣了用Linux來形。容整個基于Linux內核，并且使用GNU工程各種工具和數(shù)據庫的操作系統(tǒng)。Linux得名于計算機業(yè)

　　

【正文】 infor[n][t]=infor[m][t]。 infor[m][t]=s[t]。 } } 選出信息素較高的 500個檢測器 的主要代碼： for(d=0。d=500。d++) {c=infor[d][7]。 for(t=0。t=48。t++) { h[d][t]=antibody[c][t]。 } } 江蘇大學 2020 屆本科畢業(yè)論文 21 蟻群算法流程圖 Y N N Y 圖 蟻群算法流程圖 從人工免疫算法生成的檢測器中隨機挑選 500個檢測器來檢測請求。同樣在檢測之后， 同時更新檢測器的信息素。 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 輸出檢測結果 輸出檢測結果 江蘇大學 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))。 for(x=0。x=500。x++) { z=random(4096)。 for(m=0。m=48。m++) {a[x][m]=antibody[z][m]。} } 隨機選出 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 輸出檢測結果 輸出檢測結果 江蘇大學 2020 屆本科畢業(yè)論文 23 第四章 運行 本實驗中，字體保存在 文件中，訪問請求保存在 中，通過 C 語言中 fopen 指令讀取 和 中的內容： fopen(, r)和 fopen(, r)。 gcc o test_ant 編譯命令，編譯 ，生成 test_ant 程序的調試可以通過 gdb 的相關指令進行。 ./test_ant 1 c r 7 執(zhí)行命令 其中： 1: 使用自己的算法程序，程序中 mtype 的值 2: rcb 匹配算法 9: 數(shù)值法 c: r 固定 a: 設置檢測器數(shù) l: 設置檢測器長度 n: 插入新的自體 d: 刪除自體 r: 設置最小 r 的值 s: 設置最小 rs 的值 t: 設置最小 rt 的值 7: r 的值 r 為最長有效位長度 江蘇大學 2020 屆本科畢業(yè)論文 24 檢測器的添加 圖 檢測器添加 二維數(shù)組 antibody 用于保存遞歸生成的檢測器。在本實驗中，用二維數(shù)組 a 保存隨機選出的 500 個檢測器，用二維數(shù)組 h保存信息素較高的 500 個檢測器，用二維數(shù)組 infor保存每個檢測器的信息素，數(shù)組 infor 的第 7 個單元保存前六個單元的信息素總和，數(shù)組 infor 的第 8 個單元保存二維數(shù)組 antibody 中檢測器的下標。 整體檢測 圖 整體檢測 整體檢測是用遞歸生成的所有檢測器對訪問請求進行檢測，并為后面的蟻群算法計算每個檢測器的信息素。檢測器每檢測出一個非法訪問請求，其信息素的值加 1。 隨機選取檢測器檢測 隨機選取檢測器檢測是檢測每個訪問請求時，從所有檢測器中隨機選取一定數(shù)量的檢測器來檢測（本實驗是隨機選取 500 個檢測器）。本實驗中，每檢測 30 個訪問請求，重新選擇 500 個檢測器。 江蘇大學 2020 屆本科畢業(yè)論文 25 蟻群算法選取檢測器檢測 蟻群算法檢測：根據信息素對檢測器進行調整，挑選出信息素較高的檢測器進行檢測。本實驗中，每檢測 30 個訪問請求，更新一次信息素并且相應減少檢測器的數(shù)目。 (a) (b) 圖 隨機選取檢測器檢測和蟻群算法檢測（一） 圖 (a)為隨機選擇 500 個檢測器來檢測 30 個訪問請求的檢測結果，圖 (b)為蟻群算法選取信息素較高前 500 個檢測器來檢測 30 個訪問請求的檢測結果。 (a) (b) 圖 隨機選取檢測器檢測和蟻群算法檢測（二） 圖 (a)為隨機選擇 500 個檢測器來檢測 30 個訪問請求的檢測結果，圖 (b)為蟻群算法選取信息素較高前 450 個檢測器來檢測 30 個訪問請求的檢測結果。 (a) (b) 圖 隨機選取檢測器檢測和蟻群算法檢測（三） 圖 (a)為隨機選擇 500 個檢測器來檢測 30 個訪問請求的檢測結果，圖 (b)為蟻群算法選取信息素較高前 400 個檢測器來檢測 30 個訪問請求的檢測結果。 (a) (b) 圖 隨機選取檢測器檢測和蟻群算法檢測（四） 圖 (a)為隨機選擇 500 個檢測器來檢測 30 個訪問請求的檢測結果，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果。 江蘇大學 2020 屆本科畢業(yè)論文 26 (a) (b) 圖 隨機選取檢測器檢測和蟻群算法 檢測（一） 圖 (a)為隨機選擇 500 個檢測器來檢測 30 個訪問請求的檢測結果，圖 (b)為蟻群算法選取信息素較高前 300 個檢測器來檢測 30 個訪問請求的檢測結果。 (a) (b) 圖 隨機選取檢測器檢測和蟻群算法檢測（一） 圖 (a)為隨機選擇 500 個檢測器來檢測 30 個訪問請求的檢測結果，圖 (b)為蟻群算法選取信息素較高前 250 個檢測器來檢測 30 個訪問請求的檢測結果。 由以上幾圖可以清晰的看出，蟻群算法檢測相 對于 隨機選取檢測器檢測來說計算速度要快，計算精度要高。 江蘇大學 2020 屆本科畢業(yè)論文 27 第五章 總結 本次實驗，通過蟻群算法計算人工免疫算法中生成檢測器的使用情況，得出最佳解。經過實驗發(fā)現(xiàn)混合后的算法在計算速度及求解精度方面都優(yōu)于原來的單個的算法。相信將其應用于其他問題的解決是一個不錯的方法。 本次實驗是在 Linux 下進行的，它涉及了 Linux 下 C 語言的編程設計，這就要了解Linux 下 C語言的編輯、編譯、運行，要了解 Linux 中的相關指令。 本次設計并沒有達到預期想要的結果，這令人十分遺憾，但也從中 學到了很多知識，了解了蟻群算法和人工免疫算法的基礎知識。 江蘇大學 2020 屆本科畢業(yè)論文 28 致 謝 值此論文即將完成之際，我要感謝我的老師蔡濤教授，感謝蔡老師對我的精心培養(yǎng)和悉心指導。蔡老師工作上嚴謹、務實，學術上孜孜不倦，生活中平易近人，使我受益匪淺。耐心地傳道、授業(yè)、解惑，使我知識面地廣度和深度得到了很大地擴展。使我不僅學到了一定地專業(yè)知識，還學到了為人做事的原則。 江蘇大學 2020 屆本科畢業(yè)論文 29 參考文獻 [1]． Dorigo M． Bonabeau E， Theraulaz G． Ant algorithm and stigmery[J]． Future Generation Computer Systems， 2OOO； 16(8)： 851871 [2]． Tsai CF． Tsai CW ． A new approach for solving large traveling sales— man problem using evolution ant rules[C]． In： Proc of the 20O2 Int． 1 Joint Cod on Neural Networks． IJCNN 2020 Honolulu： IEEE Press， V0l 2． 20o2： 15401545 [3]． Parpinelli RS， Lopes HS， Freitas AA． Data mining with an ant colony optimization algorithm[J]． IEEE Trans on Evolutionary Computation， 2020； 6(4)：321328 [4]．丁建立，陳增強，袁著祉．遺傳算法與螞蟻算法的融合 [J]．計算機研究與發(fā)展． 2OO3；40 (9)： 13511356 [5]．詹士昌，徐婕，吳俊．蟻群算法中 有關算法參數(shù)的最優(yōu)選擇 [J]．科技通報， 2020；19(5)： 381386 [6]．丁永生，任立紅．人工免疫系統(tǒng)：理論與應用 [J]．模式識別與人工智能， 2O00；l3(1)： 52— 59 [7]．李茂軍，舒宜，童調生．旅行商問題的人工免疫算法 [J]．計算機科學， 2020： 30(30)：8O一 82 [8]．朱燕飛，蔡永昶，李中華等．人工免疫算法在過程數(shù)據分析中的應用 [J]．計算機工程與應用。 2020； 40 (6)： 205— 2o7 [9]．韓健，張樂，蔡瑞英．基于人工免疫算法的入侵檢測系統(tǒng) [J]．南京工業(yè)大學學 報(自然科學版 )， 2020； 26(1)： 4851 [10]．鄭日榮，毛宗源．一種改進的人工免疫算法 [J].計算機工程與應用， 2020； 39(33)：5557 [11]．王磊，肖人彬．基于免疫記憶的人工免疫算法模型及其應用 [J]．模式識別與人工智能， 2020； 15(4)： 385391