智能优化算法——python实现免疫遗传算法的图像拟合

引言

算法思路

免疫算法是仿照生物体中的免疫应答来进行寻优的算法。我们待拟合的问题可以看作抗原，可能的解集抗原看作抗体。当有抗原入侵到生物体中时，免疫系统进行免疫应答。在免疫应答的初期会产生大量的抗体进行应答，随后会对与抗原亲和度高的抗体进行复制保留，对于浓度高的抗体进行复制抑制来保证抗体的多样性。在此过程中同时也会产生新的抗体加入到原本的抗体集中。为了更加直观的介绍免疫遗传算法，我们仍然以图片为例进行免疫遗传算法的实现与拟合。

流程图

算法主体

预备知识与智能优化算法——python实现使用遗传算法进行图片拟合相同，在此不再赘述，我们现在直接开始算法主体的实现。同样为了方便理解，将代码分割成若干部分介绍，完整代码可以在文末下载。

初始化

初始化与遗传算法的实现相同

def __init__(self, imgPath, saveName="temp", alpha=5, beta=0.5, maxgroup=200, features=100, epochs=1000):
	self.orignal_img, self.type, self.row, self.col = self.OpenImg(imgPath)
    self.max_group = maxgroup
    self.saveName = saveName
    self.groups = []
    self.features = features
    self.epochs = epochs
    self.group_dict = dict()
    self.alpha = alpha
    self.beta = beta
    if not os.path.exists(saveName):
       	os.mkdir(saveName)
    print("初始化...")
    for i in range(randint(self.max_group, self.max_group * 2)):
       	g = []
        for j in range(self.features):
       		tmp = [[choice(np.linspace(0, self.row, features)), choice(np.linspace(0, self.col, features))] for x in range(3)]
            tmp.append("#" + ''.join(choice('0123456789ABCDEF') for x in range(6)))

            g.append(tmp.copy())

        self.groups.append(g.copy())

    self.maxg = self.groups[0]
    print("初始化完成！")

获取抗体与抗体的相似度

我们使用structural_similarity函数来比较两个抗体的相似度

def get_antibody_similar(self, g1, g2):
    ssim = structural_similarity(np.array(g1), np.array(g2), multichannel=True)
    return ssim

克隆与变异

此过程与遗传算法同过程相同

注：在遗传算法中生物繁殖的后代不会与父辈和母辈完全相同，但是在抗体是可以做到完全一致的。所以在breeds函数在遗传算法中代表的是繁殖过程，而在免疫遗传算法的抗体的克隆和变异中，函数breeds代表的是抗体的变异。按照流程来讲免疫算法还应该具有克隆抗体的过程，而这里我们只需保留原有的抗体即可以看作是克隆过程已完成。为了方便对照，所以我们保留了原有的函数名。

def exchange(self, father, mother)->[]:
    # 交换
    # 随机生成互换个数
    min_locate = min(len(father), len(mother))
    n = randint(0, int(randint(25, 100) / 100 * min_locate))
    # 随机选出多个位置
    selected = sample(range(0, min_locate), n)
    # 交换内部
    for s in selected:
        father[s], mother[s] = mother[s], father[s]

    # 交换尾部
    locat = randint(0, min_locate)
    fhead = father[:locat].copy()
    mhead = mother[:locat].copy()

    ftail = father[locat:].copy()
    mtail = mother[locat:].copy()

    # print(fhead, ftail, mhead, mtail)
    fhead.extend(mtail)
    father = fhead
    mhead.extend(ftail)
    mother = mhead
    return [father, mother]

def mutation(self, gen):
    # 突变
    # 随机生成变异个数
    n = int(randint(1, 100) / 1000 * len(gen))

    selected = sample(range(0, len(gen)), n)

    for s in s