改进的aiNet算法：目标调控的免疫网络模型在数据聚类中的优化应用

本文研究的主题是"基于优化目标可调控的免疫网络算法的分析与应用"，由王帆和田玉玲两位作者在太原理工大学计算机与软件学院完成。他们针对现有的免疫网络模型在数据聚类中的局限性，如参数过多、过程复杂、抗体变异方式可能导致退化、缺乏网络整体优化标准、记忆库利用不充分以及缺乏聚类结果评价等，提出了改进的算法。 首先，文章指出传统的免疫网络模型在处理数据聚类时，主要关注无监督学习，尤其是聚类作为一种数据压缩手段。然而，这些模型存在诸多问题，如过于依赖预设参数，抗体变异的随机性可能导致性能下降，终止条件过于简单，记忆库的作用未得到充分利用，以及聚类效果缺乏客观评估。 为了克服这些问题，研究者借鉴了aiNet算法和RLAIS免疫模型的思想，提出了一种目标可调控的免疫模型。这个新算法的核心是引入了一个目标控制函数，用于对整体抗体网络进行评价，确保网络在保持足够特异性的同时，通过细胞记忆库进行迭代学习，从而提高网络的收敛效果。算法的目标是构建一个既能高效识别抗原又能保持简洁结构的记忆网络，其中抗体的识别能力、识别率和数据压缩的效果是评价标准。 具体来说，文章定义了两个关键概念：抗体对抗原识别，即抗原对网络中所有抗体的最大亲和力需超过预设阈值；识别率则是记忆网络识别的抗原数量与总抗原数的比例。通过这些定义，作者旨在设计一个既具有高度识别能力又能在数据压缩过程中保持高效性能的免疫网络模型。 总结来说，这篇论文探讨了如何通过优化目标控制和引入记忆库机制来改进免疫网络算法，以提升其在数据聚类领域的性能和效率，为人工免疫系统的应用提供了新的视角和策略。