一、简介
任何一个优化问题可以转化为一个函数问题，因此生物智能算法广泛应用，同样生物免疫算法（AIA）也是一种模拟达尔文生物进化的一个新型智能算法，生物免疫算法（AIA）根据生物系统抗体处理抗原机制，抗体进化以及最终消灭抗原，这一过程为生物免疫算法（AIA）全局寻优解的过程。
考虑到函数优化问题的普遍性，近些年来，很多学者应用新型算法对不同函数进行测试，例如算法的稳定性、泛华能力、有效性以及全局、局部寻优能力等，因此最优化函数问题（单目标和多目标函数优化问题）一直成为广大科研人员的研究热点。根据测试函数得到的可能解，智能算法得到不断的改进，理论基础逐渐深入，使得散发本身更加稳健，能够快速为工程所用。
人工免疫系统正引起人们的极大重视，基于免疫系统原理开发了各类算法，遗传算法GA、差分进化算法DE、蜂群算法ABC、鱼群算法FSA等，在工程实际问题中，应用越来越广泛，也取得越来越多的成果。
三、源代码
clc,clear,close all;
warning off
global popsize length min max N code;
N=12; % 每个染色体段数（十进制编码位数）
M=100; % 进化代数
popsize=30; % 设置初始参数，群体大小
length=10; % length为每段基因的二进制编码位数
chromlength=N*length; % 字符串长度（个体长度），染色体的二进制编码长度
pc=0.7; % 设置交叉概率，本例中交叉概率是定值，若想设置变化的交叉概率可用表达式表示，或从写一个交叉概率函数，例如用神经网络训练得到的值作为交叉概率
pm=0.3; % 设置变异概率，同理也可设置为变化的
bound={-100*ones(popsize,1),zeros(popsize,1)};
min=bound{1};max=bound{2};
pop=initpop(popsize,chromlength); %运行初始化函数，随机产生初始群体
ymax=500; % 适应度值初始化
ysw_x = zeros(3,12);
%电容C2:故障类型编码，每一行为一种！code(1,:)，正常；code(2,:)，50％；code(3,:)，150％
code =[-0.8180 -1.6201 -14.8590 -17.9706 -24.0737 -33.4498 -43.3949 -53.3849 -63.3451 -73.0295 -79.6806 -74.3230
-0.7791 -1.2697 -14.8682 -26.2274 -30.2779 -39.4852 -49.4172 -59.4058 -69.3676 -79.0657 -85.8789 -81.0905
-0.8571 -1.9871 -13.4385 -13.8463 -20.4918 -29.9230 -39.8724 -49.8629 -59.8215 -69.4926 -75.9868 -70.6706];
function [bestindividual,bestfit]=best(pop,fitvalue)
global popsize N length;
bestindividual=pop(1,:);
bestfit=fitvalue(1);
%实现个体的解码的计算
function [objx]=calx(pop)
% global N length % 默认染色体的二进制长度length=10
N=12; length=10;
for j=1:N %译码！
temp(:,j)=decodechrom(pop,1+(j-1)*length,length);
x(:,j)=temp(:,j)/(2^length-1)*(max(j)-min(j))+min(j);
end
fitvalue=calfitvalue(objvalue); favg(k)=sum(fitvalue)/popsize; %
newpop=selection(pop,fitvalue); objvalue=calobjvalue(newpop,i); %
newpop=crossover(newpop,pc,k); objvalue=calobjvalue(newpop,i); %
newpop=mutation(newpop,pm); objvalue=calobjvalue(newpop,i); %
[bestindividual,bestfit]=best(newpop,fitvalue);
if bestfit<ymax
ymax=bestfit;
end
三、运行结果
四、备注
版本：2014a
