《人工免疫算法改進及其套用》是2013年6月1日電子工業出版社出版的圖書，作者是韓旭明、王麗敏。
基本介紹
- 外文名：Improved Artificial Immune Algorithms and Their Applications
- 書名：人工免疫算法改進及其套用
- 作者：韓旭明、王麗敏
- 出版日期：2013年6月1日
- 語種：簡體中文
- ISBN：7121206609
- 出版社：電子工業出版社
- 頁數：127頁
- 開本：16開
內容簡介,作者簡介,目錄,序言,
內容簡介
人工免疫系統是模仿自然免疫系統功能的一種智慧型方法，是繼人工神經網路、進化計算之後新的智慧型計算研究方向，是生命科學和計算機科學相交叉而形成的交叉學科研究熱點。本書是作者幾年來科研成果的總結。全書共分9章，主要內容是在計算智慧型的基礎上，針對人工神經網路、進化計算和人工免疫系統進行了理論研究和套用研究，重點研究人工免疫系統的免疫克隆選擇算法及其理論改進和套用研究，並將提出和改進的算法套用到大氣環境質量評價和大氣環境質量預測兩個領域，取得了令人滿意的結果。
《人工免疫算法改進及其套用》在計算智慧型的基礎上，針對人工神經網路、進化計算和人工免疫系統進行了理論研究和套用研究，重點研究人工免疫系統的免疫克隆選擇算法及其理論改進和套用研究，《人工免疫算法改進及其套用》適合從事計算機及其相關學科的師生，以及相關科研院所的科研人員閱讀
作者簡介
韓旭明，副教授，畢業於吉林大學。1996年畢業於吉林工學院計算機系，畢業後留校任教，已任教17年。分別於2006年，2010年獲得天津大學計算機科學與技術學院的碩士學位和吉林大學計算機科學與技術學院的博士學位。
目錄
第1章緒論1
1.1背景與意義1
1.2大氣質量評價與預測2
1.2.1大氣與大氣污染2
1.2.2大氣污染及危害3
1.2.3國內外大氣質量研究現狀4
1.3本書主要研究內容6
1.4本書結構安排7
參考文獻8
第2章計算智慧型概述11
2.1人工神經網路簡介12
2.1.1神經網路的發展13
2.1.2神經元及變換函式15
2.1.3神經網路拓撲結構16
2.1.4神經網路分類17
2.1.5神經網路工作方式18
2.1.6神經網路學習方法18
2.2進化計算20
2.2.1進化計算生物學基礎20
2.2.2進化計算發展21
2.2.3進化計算主要分支23
2.2.4進化計算的主要特徵25
2.3人工免疫系統26
2.3.1人工免疫系統的發展27
2.3.2免疫系統的生物學機理29
2.3.3人工免疫系統模型33
2.3.4人工免疫系統套用33
2.3.5免疫系統特性37
2.3.6人工免疫算法38
2.4本章小結43
參考文獻43
第3章人工免疫克隆選擇算法48
3.1免疫克隆選擇算法研究現狀50
3.2傳統免疫克隆選擇算法52
3.2.1傳統免疫克隆選擇算法52
3.2.2傳統免疫克隆選擇算法的不足53
3.3引入疫苗接種策略的免疫克隆選擇算法54
3.3.1抗體克隆的規模和疫苗的提取54
3.3.2疫苗的選擇55
3.3.3疫苗的接種56
3.3.4算法描述57
3.4引入局部高斯變異運算元的免疫克隆選擇算法59
3.4.1局部高斯變異運算元的構造59
3.4.2算法描述60
3.5引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法60
3.5.1問題的提出60
3.5.2算法描述62
3.6本章小結63
參考文獻64
第4章基於改進免疫克隆選擇算法最佳化的大氣質量評價模型及其套用66
4.1大氣污染損害率普適公式66
4.2改進免疫克隆選擇算法最佳化參數67
4.2.1構造目標函式67
4.2.2傳統免疫克隆選擇算法最佳化參數68
4.2.3引入疫苗接種策略的免疫克隆選擇算法最佳化參數70
4.2.4引入局部高斯變異運算元的免疫克隆選擇算法最佳化參數71
4.2.5引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法最佳化參數74
4.3四種算法的比較與性能分析75
4.3.1算法比較的約束條件75
4.3.2四種算法比較與性能分析75
4.4基於改進免疫克隆選擇算法的大氣質量綜合污染評價模型79
4.5五個級別大氣污染損害率取值範圍的確定80
4.6某城市大氣質量評價結果及分析80
4.7十個監測點大氣質量評價結果及與其他評價方法的比較和分析84
4.8本章小結86
參考文獻86
第5章基於免疫克隆選擇算法最佳化的動態遞歸神經網路89
5.1Elman神經網路89
5.1.1Elman神經網路數學模型89
5.1.2Elman神經網路學習算法90
5.1.3Elman神經網路學習算法的缺陷91
5.2基於改進免疫克隆選擇算法最佳化的動態遞歸神經網路92
5.2.1多參分析92
5.2.2動態閾值93
5.2.3算法描述94
5.3本章小結95
參考文獻95
第6章引入趨勢信息的雙反饋Elman神經網路96
6.1趨勢信息96
6.2雙反饋Elman神經網路96
6.3引入趨勢信息的雙反饋Elman神經網路98
6.4本章小結100
參考文獻100
第7章若干算法在大氣質量預測中的套用101
7.1性能評價指標101
7.2基本Elman神經網路在大氣質量擬合中的套用101
7.2.1基本Elman神經網路擬合實驗102
7.2.2仿真實驗102
7.3引入趨勢信息Elman神經網路在大氣質量擬合中的套用102
7.3.1引入趨勢信息Elman神經網路擬合實驗103
7.3.2仿真實驗103
7.4基於免疫克隆選擇算法最佳化的Elman神經網路在大氣質量擬合中的套用104
7.4.1基於免疫克隆選擇算法最佳化的Elman神經網路擬合實驗104
7.4.2仿真實驗105
7.5幾種算法在大氣質量擬合套用中的比較106
7.6幾種算法在大氣質量預測中的套用108
7.6.1基本Elman神經網路預測大氣質量109
7.6.2引入趨勢信息的雙反饋Elman神經網路預測大氣質量109
7.6.3基於免疫克隆選擇算法最佳化Elman神經網路預測大氣質量109
7.6.4仿真實驗與結果分析110
7.7本章小結112
參考文獻112
第8章基於粒子群算法最佳化的大氣質量評價模型及其套用114
8.1我國最常使用的API大氣質量評價法115
8.2粒子群最佳化算法概述116
8.2.1粒子群最佳化算法原理117
8.2.2粒子群最佳化算法流程117
8.3基於粒子群最佳化算法大氣質量指數評價模型117
8.3.1大氣質量綜合污染損害指數評價模型118
8.4仿真模擬與分析119
8.5本章小結121
參考文獻122
第9章結論與展望124
9.1結論124
9.2展望125
1.1背景與意義1
1.2大氣質量評價與預測2
1.2.1大氣與大氣污染2
1.2.2大氣污染及危害3
1.2.3國內外大氣質量研究現狀4
1.3本書主要研究內容6
1.4本書結構安排7
參考文獻8
第2章計算智慧型概述11
2.1人工神經網路簡介12
2.1.1神經網路的發展13
2.1.2神經元及變換函式15
2.1.3神經網路拓撲結構16
2.1.4神經網路分類17
2.1.5神經網路工作方式18
2.1.6神經網路學習方法18
2.2進化計算20
2.2.1進化計算生物學基礎20
2.2.2進化計算發展21
2.2.3進化計算主要分支23
2.2.4進化計算的主要特徵25
2.3人工免疫系統26
2.3.1人工免疫系統的發展27
2.3.2免疫系統的生物學機理29
2.3.3人工免疫系統模型33
2.3.4人工免疫系統套用33
2.3.5免疫系統特性37
2.3.6人工免疫算法38
2.4本章小結43
參考文獻43
第3章人工免疫克隆選擇算法48
3.1免疫克隆選擇算法研究現狀50
3.2傳統免疫克隆選擇算法52
3.2.1傳統免疫克隆選擇算法52
3.2.2傳統免疫克隆選擇算法的不足53
3.3引入疫苗接種策略的免疫克隆選擇算法54
3.3.1抗體克隆的規模和疫苗的提取54
3.3.2疫苗的選擇55
3.3.3疫苗的接種56
3.3.4算法描述57
3.4引入局部高斯變異運算元的免疫克隆選擇算法59
3.4.1局部高斯變異運算元的構造59
3.4.2算法描述60
3.5引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法60
3.5.1問題的提出60
3.5.2算法描述62
3.6本章小結63
參考文獻64
第4章基於改進免疫克隆選擇算法最佳化的大氣質量評價模型及其套用66
4.1大氣污染損害率普適公式66
4.2改進免疫克隆選擇算法最佳化參數67
4.2.1構造目標函式67
4.2.2傳統免疫克隆選擇算法最佳化參數68
4.2.3引入疫苗接種策略的免疫克隆選擇算法最佳化參數70
4.2.4引入局部高斯變異運算元的免疫克隆選擇算法最佳化參數71
4.2.5引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法最佳化參數74
4.3四種算法的比較與性能分析75
4.3.1算法比較的約束條件75
4.3.2四種算法比較與性能分析75
4.4基於改進免疫克隆選擇算法的大氣質量綜合污染評價模型79
4.5五個級別大氣污染損害率取值範圍的確定80
4.6某城市大氣質量評價結果及分析80
4.7十個監測點大氣質量評價結果及與其他評價方法的比較和分析84
4.8本章小結86
參考文獻86
第5章基於免疫克隆選擇算法最佳化的動態遞歸神經網路89
5.1Elman神經網路89
5.1.1Elman神經網路數學模型89
5.1.2Elman神經網路學習算法90
5.1.3Elman神經網路學習算法的缺陷91
5.2基於改進免疫克隆選擇算法最佳化的動態遞歸神經網路92
5.2.1多參分析92
5.2.2動態閾值93
5.2.3算法描述94
5.3本章小結95
參考文獻95
第6章引入趨勢信息的雙反饋Elman神經網路96
6.1趨勢信息96
6.2雙反饋Elman神經網路96
6.3引入趨勢信息的雙反饋Elman神經網路98
6.4本章小結100
參考文獻100
第7章若干算法在大氣質量預測中的套用101
7.1性能評價指標101
7.2基本Elman神經網路在大氣質量擬合中的套用101
7.2.1基本Elman神經網路擬合實驗102
7.2.2仿真實驗102
7.3引入趨勢信息Elman神經網路在大氣質量擬合中的套用102
7.3.1引入趨勢信息Elman神經網路擬合實驗103
7.3.2仿真實驗103
7.4基於免疫克隆選擇算法最佳化的Elman神經網路在大氣質量擬合中的套用104
7.4.1基於免疫克隆選擇算法最佳化的Elman神經網路擬合實驗104
7.4.2仿真實驗105
7.5幾種算法在大氣質量擬合套用中的比較106
7.6幾種算法在大氣質量預測中的套用108
7.6.1基本Elman神經網路預測大氣質量109
7.6.2引入趨勢信息的雙反饋Elman神經網路預測大氣質量109
7.6.3基於免疫克隆選擇算法最佳化Elman神經網路預測大氣質量109
7.6.4仿真實驗與結果分析110
7.7本章小結112
參考文獻112
第8章基於粒子群算法最佳化的大氣質量評價模型及其套用114
8.1我國最常使用的API大氣質量評價法115
8.2粒子群最佳化算法概述116
8.2.1粒子群最佳化算法原理117
8.2.2粒子群最佳化算法流程117
8.3基於粒子群最佳化算法大氣質量指數評價模型117
8.3.1大氣質量綜合污染損害指數評價模型118
8.4仿真模擬與分析119
8.5本章小結121
參考文獻122
第9章結論與展望124
9.1結論124
9.2展望125
序言
由生物引發的信息處理系統可以分為：人工神經網路，進化計算和人工免疫系統。其中，人工神經網路和進化計算已經被廣泛地套用於各個領域，並產生了巨大的經濟效益和社會效益。近年來，隨著人們對免疫系統機理的進一步揭示，關於人工免疫系統的理論研究和套用研究倍受關注，一些研究成果已經被廣泛用於機器學習、故障診斷、機器人行為仿真和控制、網路入侵檢測和函式最佳化等眾多領域，表現出卓越的性能和效率。
本書是作者幾年來科研成果的總結。全書共分8章，主要內容是在智慧型計算的基礎上，針對人工神經網路、進化計算和人工免疫系統進行了理論研究和套用研究，重點研究人工免疫系統的免疫克隆選擇算法及其理論改進和套用研究，並將提出和改進的算法套用到大氣質量評價和大氣質量預測兩個領域，取得了令人滿意的結果，具體研究內容如下：
（1）主要介紹了人工神經網路的拓撲結構、分類、工作方式和學習方法，以及免疫系統的生物學機理、人工免疫系統與人工免疫算法等。另外，還介紹了進化計算的生物學基礎、進化計算的主要特徵等相關知識。智慧型計算中的人工神經網路、進化計算、人工免疫系統等相關理論知識是本書主要研究工作的基礎。
（2）在人工免疫系統的基礎上，提出引入疫苗接種策略的免疫克隆選擇算法，即ICSA-VS（Immune Clonal Selection Algorithm Introduced into Vaccination Strategy）算法。在疫苗提取，疫苗選取，疫苗接種過程中引入輪盤賭選擇算法，並構造了二進制位基因位選取和接種策略等方法。算法採用實數制編碼；根據解決問題的複雜程度和實際需要確定抗體的克隆規模；疫苗提取是將優良抗體集合中的全部抗體作為候選疫苗種群；根據候選疫苗個體親和度占候選疫苗種群所有個體親和度之和的比率，計算候選疫苗個體被選取的機率，通過輪盤賭方法在候選疫苗種群中選取候選接種疫苗；將候選接種疫苗與克隆後的抗體按照二進制位基因位選取得到的基因位進行疫苗接種，形成新抗體。本書提出的引入疫苗接種策略的免疫克隆選擇算法在疫苗接種過程中具有隨機性、自適應性和多樣性等特點，提高了優良抗體和疫苗的接種機率，確保優良抗體和基因能夠在子代抗體中得以繼承和延續，實現了免疫的自我調節功能。
（3）提出引入局部高斯變異運算元的免疫克隆選擇算法，即ICSA-LGMO（Immune Clonal Selection Algorithm Introduced into Local Gaussian Mutation Operator）算法。高斯變異繼承了高斯分布具有的集中性、對稱性和均勻變動性等優良特徵，具有較好的局部搜尋能力。主要改進方法是通過構造並引入局部高斯變異運算元指導抗體基因變異，利用局部高斯變異的小步長不斷地自適應調整與變換，實現抗體基因在局部區域上的擾動，搜尋原抗體附近比原抗體更好滿足問題的新抗體和基因，從而形成新的抗體。本書提出的引入局部高斯變異運算元的免疫克隆選擇算法有效地提高了局部求解的精度，克服了傳統免疫克隆選擇算法局部搜尋能力不佳的問題。
（4）鑒於引入疫苗接種策略的免疫克隆選擇算法和引入局部高斯變異運算元的免疫克隆選擇算法具有的優點，將兩種算法相結合，提出了引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法，即ICSA-VSLGMO（Immune Clonal Selection Algorithm Introduced into Vaccination Strategy and Local Gaussian Mutation Operator）算法。另外，對兩種算法相結合，互相促進，相互提高的過程進行分析。本書提出的引入疫苗接種策略的免疫克隆選擇算法和引入局部高斯變異運算元的免疫克隆選擇算法局部搜尋更為細膩，求解的精度也明顯提高。這種求解精度的提高不是上述兩種算法通過增加運行時間，提高疊代次數所能達到的，是兩種算法優勢上的相互補充，互相促進與提高。此外，在幾種改進的免疫克隆選擇算法中，本書還採用了擴大搜尋空間策略，確保在全局範圍內搜尋到較好的新抗體和基因，避免陷入局部峰值。同時，還採用禁忌算法和插入排序等方法提高算法效率。
（5）在引入疫苗接種策略的免疫克隆選擇算法和引入局部高斯變異運算元的免疫克隆選擇算法的基礎上，根據評價大氣質量的目標函式，採用引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法對大氣污染損害率公式進行參數最佳化，進而提出一種基於免疫克隆選擇算法的大氣質量評價模型和評價方法。通過模擬實驗結果的比較和分析得出：與傳統免疫克隆選擇算法相比，本書提出的引入疫苗接種策略的免疫克隆選擇算法，引入局部高斯變異運算元的免疫克隆選擇算法，引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法的全局和局部搜尋能力明顯提高，提高了求解精度。引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法能夠在保持種群多樣性的同時提高算法收斂速度；本書提出的大氣質量評價方法具有原理直觀，物理意義明確，評價結果準確等優點。它是人工免疫理論和技術套用於大氣環境領域的一種全新的有效方法，具有較好的實用性和套用前景。
（6）提出一種適合於最佳化多參問題的動態閾值方法。該方法結合抗體間的相似度確定初始閾值，通過構造閾值遞減函式約束動態閾值的衰減幅度，避免產生相似的抗體，有效克服免疫克隆選擇算法最佳化多參問題時產生的近親繁殖和早熟收斂問題。
（7）在Elman人工神經網路基礎上，鑒於引入動態閾值策略的引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法在多參最佳化方面具有較好的優勢，提出了一種基於改進免疫克隆選擇算法（引入動態閾值策略的ICSA-VSLGMO算法）最佳化動態遞歸神經網路的新方法。對遞歸神經網路的具體結構，連線權值，聯繫單元的初始值等實現自動進化訓練學習，實現了動態遞歸神經網路的自動構造與設計，並以動態遞歸Elman神經網路為例進行分析。該方法為免疫克隆選擇算法最佳化動態遞歸神經網路提供一種新的有效解決方案。
（8）將本書提出的改進的免疫克隆選擇算法最佳化Elman神經網路，引入趨勢信息雙反饋 Elman神經網路和基本Elman神經網路三種網路套用於大氣質量預測領域。通過對三種主要污染物SO2，NO2，PM10擬合和預測的實驗結果進行比較和對比分析，驗證了本書提出的改進的免疫克隆選擇算法（引入動態閾值策略的ICSA-VSLGMO算法）最佳化Elman神經網路具有較好的擬合與預測能力，利用該方法對吉林省某城市的大氣質量進行預測，得到了令人滿意的結果，具有較好的實用價值和套用前景。
（9）在進化計算基礎上，採用一種基於群體的隨機全局最佳化工具即粒子群最佳化算法，算法對計算大氣污染損害率的普適公式中的參數進行最佳化，得到了對於多種污染物均適用的具有普適性大氣質量綜合污染指數評價模型和評價方法，該模型具有公式形式簡單，計算簡便等優點。此評價方法是將大氣環境質量的好壞與其所受的損害程度直接相聯繫，使基於粒子群最佳化算法的大氣質量綜合評價法具有更明確的物理意義，原理更加直觀，而且該評價法不受污染物種類及數目的限制，使其具有很強的通用性和可比性。
本書是在國家自然科學基金項目（項目編號：61202306）、吉林省科技廳基礎項目（項目編號：201215119，20100507）、吉林省教育廳十二五重點規劃項目（項目編號：2012185）、吉林省教育廳新世紀人才計畫專項、吉林財經大學青年學俊等項目的資助和支持下完成的。值此專著完成之際，誠摯地感謝吉林大學計算機科學與技術學院左萬利教授，智慧型工程實驗室的梁艷春教授、時小虎副教授、孫延風副教授的熱情幫助和指點。
由於作者水平有限，加之智慧型研究領域縱深寬廣，書中難免有種種考慮不周之處，誠請廣大讀者批評指正。
本書是作者幾年來科研成果的總結。全書共分8章，主要內容是在智慧型計算的基礎上，針對人工神經網路、進化計算和人工免疫系統進行了理論研究和套用研究，重點研究人工免疫系統的免疫克隆選擇算法及其理論改進和套用研究，並將提出和改進的算法套用到大氣質量評價和大氣質量預測兩個領域，取得了令人滿意的結果，具體研究內容如下：
（1）主要介紹了人工神經網路的拓撲結構、分類、工作方式和學習方法，以及免疫系統的生物學機理、人工免疫系統與人工免疫算法等。另外，還介紹了進化計算的生物學基礎、進化計算的主要特徵等相關知識。智慧型計算中的人工神經網路、進化計算、人工免疫系統等相關理論知識是本書主要研究工作的基礎。
（2）在人工免疫系統的基礎上，提出引入疫苗接種策略的免疫克隆選擇算法，即ICSA-VS（Immune Clonal Selection Algorithm Introduced into Vaccination Strategy）算法。在疫苗提取，疫苗選取，疫苗接種過程中引入輪盤賭選擇算法，並構造了二進制位基因位選取和接種策略等方法。算法採用實數制編碼；根據解決問題的複雜程度和實際需要確定抗體的克隆規模；疫苗提取是將優良抗體集合中的全部抗體作為候選疫苗種群；根據候選疫苗個體親和度占候選疫苗種群所有個體親和度之和的比率，計算候選疫苗個體被選取的機率，通過輪盤賭方法在候選疫苗種群中選取候選接種疫苗；將候選接種疫苗與克隆後的抗體按照二進制位基因位選取得到的基因位進行疫苗接種，形成新抗體。本書提出的引入疫苗接種策略的免疫克隆選擇算法在疫苗接種過程中具有隨機性、自適應性和多樣性等特點，提高了優良抗體和疫苗的接種機率，確保優良抗體和基因能夠在子代抗體中得以繼承和延續，實現了免疫的自我調節功能。
（3）提出引入局部高斯變異運算元的免疫克隆選擇算法，即ICSA-LGMO（Immune Clonal Selection Algorithm Introduced into Local Gaussian Mutation Operator）算法。高斯變異繼承了高斯分布具有的集中性、對稱性和均勻變動性等優良特徵，具有較好的局部搜尋能力。主要改進方法是通過構造並引入局部高斯變異運算元指導抗體基因變異，利用局部高斯變異的小步長不斷地自適應調整與變換，實現抗體基因在局部區域上的擾動，搜尋原抗體附近比原抗體更好滿足問題的新抗體和基因，從而形成新的抗體。本書提出的引入局部高斯變異運算元的免疫克隆選擇算法有效地提高了局部求解的精度，克服了傳統免疫克隆選擇算法局部搜尋能力不佳的問題。
（4）鑒於引入疫苗接種策略的免疫克隆選擇算法和引入局部高斯變異運算元的免疫克隆選擇算法具有的優點，將兩種算法相結合，提出了引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法，即ICSA-VSLGMO（Immune Clonal Selection Algorithm Introduced into Vaccination Strategy and Local Gaussian Mutation Operator）算法。另外，對兩種算法相結合，互相促進，相互提高的過程進行分析。本書提出的引入疫苗接種策略的免疫克隆選擇算法和引入局部高斯變異運算元的免疫克隆選擇算法局部搜尋更為細膩，求解的精度也明顯提高。這種求解精度的提高不是上述兩種算法通過增加運行時間，提高疊代次數所能達到的，是兩種算法優勢上的相互補充，互相促進與提高。此外，在幾種改進的免疫克隆選擇算法中，本書還採用了擴大搜尋空間策略，確保在全局範圍內搜尋到較好的新抗體和基因，避免陷入局部峰值。同時，還採用禁忌算法和插入排序等方法提高算法效率。
（5）在引入疫苗接種策略的免疫克隆選擇算法和引入局部高斯變異運算元的免疫克隆選擇算法的基礎上，根據評價大氣質量的目標函式，採用引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法對大氣污染損害率公式進行參數最佳化，進而提出一種基於免疫克隆選擇算法的大氣質量評價模型和評價方法。通過模擬實驗結果的比較和分析得出：與傳統免疫克隆選擇算法相比，本書提出的引入疫苗接種策略的免疫克隆選擇算法，引入局部高斯變異運算元的免疫克隆選擇算法，引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法的全局和局部搜尋能力明顯提高，提高了求解精度。引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法能夠在保持種群多樣性的同時提高算法收斂速度；本書提出的大氣質量評價方法具有原理直觀，物理意義明確，評價結果準確等優點。它是人工免疫理論和技術套用於大氣環境領域的一種全新的有效方法，具有較好的實用性和套用前景。
（6）提出一種適合於最佳化多參問題的動態閾值方法。該方法結合抗體間的相似度確定初始閾值，通過構造閾值遞減函式約束動態閾值的衰減幅度，避免產生相似的抗體，有效克服免疫克隆選擇算法最佳化多參問題時產生的近親繁殖和早熟收斂問題。
（7）在Elman人工神經網路基礎上，鑒於引入動態閾值策略的引入疫苗接種策略和高斯變異運算元的免疫克隆選擇算法在多參最佳化方面具有較好的優勢，提出了一種基於改進免疫克隆選擇算法（引入動態閾值策略的ICSA-VSLGMO算法）最佳化動態遞歸神經網路的新方法。對遞歸神經網路的具體結構，連線權值，聯繫單元的初始值等實現自動進化訓練學習，實現了動態遞歸神經網路的自動構造與設計，並以動態遞歸Elman神經網路為例進行分析。該方法為免疫克隆選擇算法最佳化動態遞歸神經網路提供一種新的有效解決方案。
（8）將本書提出的改進的免疫克隆選擇算法最佳化Elman神經網路，引入趨勢信息雙反饋 Elman神經網路和基本Elman神經網路三種網路套用於大氣質量預測領域。通過對三種主要污染物SO2，NO2，PM10擬合和預測的實驗結果進行比較和對比分析，驗證了本書提出的改進的免疫克隆選擇算法（引入動態閾值策略的ICSA-VSLGMO算法）最佳化Elman神經網路具有較好的擬合與預測能力，利用該方法對吉林省某城市的大氣質量進行預測，得到了令人滿意的結果，具有較好的實用價值和套用前景。
（9）在進化計算基礎上，採用一種基於群體的隨機全局最佳化工具即粒子群最佳化算法，算法對計算大氣污染損害率的普適公式中的參數進行最佳化，得到了對於多種污染物均適用的具有普適性大氣質量綜合污染指數評價模型和評價方法，該模型具有公式形式簡單，計算簡便等優點。此評價方法是將大氣環境質量的好壞與其所受的損害程度直接相聯繫，使基於粒子群最佳化算法的大氣質量綜合評價法具有更明確的物理意義，原理更加直觀，而且該評價法不受污染物種類及數目的限制，使其具有很強的通用性和可比性。
本書是在國家自然科學基金項目（項目編號：61202306）、吉林省科技廳基礎項目（項目編號：201215119，20100507）、吉林省教育廳十二五重點規劃項目（項目編號：2012185）、吉林省教育廳新世紀人才計畫專項、吉林財經大學青年學俊等項目的資助和支持下完成的。值此專著完成之際，誠摯地感謝吉林大學計算機科學與技術學院左萬利教授，智慧型工程實驗室的梁艷春教授、時小虎副教授、孫延風副教授的熱情幫助和指點。
由於作者水平有限，加之智慧型研究領域縱深寬廣，書中難免有種種考慮不周之處，誠請廣大讀者批評指正。
