۲-۴-۳-۱-۶- سیستم ایمنی مصنوعی و مسائل بهینه سازی چندهدفه
باتوجه به کاربرد الگوریتم‌های ایمنی برای مسائل بهینه سازی چندهدفه، می‌توان تعاریف زیر را به اختصار بیان کرد:

آنتی ژن: در AIS، آنتی ژن به معنای مسأله و محدودیت‌هایش می‌باشد.
آنتی بادی: آنتی بادی‌ها بیانگر کاندیداها و جواب‌های مسأله هستند.
قرابت آنتی بادی-آنتی ژن: قرابت آنتی بادی-آنتی ژن، انعکاس قدرت ترکیب کلی است که بین آنتی ژن و آنتی بادی‌ها واقع می‌شود. در AIS، معمولا به مقدایر توابع هدف یا مقدار برازش مسأله اشاره می‌کند.
قرابت آنتی بادی-آنتی بادی: قرابت آنتی بادی-آنتی بادی، انعکاس قدرت ترکیب کلی است که بین آنتی بادی‌ها واقع می‌شود. در AIS، به مقدار شباهت دو آنتی بادی به یکدیگر اشاره می‌کند.
غلبه ایمنی: آنتی بادی‌های غلبه ایمنی، اعضاء بهینه پارتو در جمعیت جاری هستند.
به علت شباهت ذاتی بین قالب محاسباتی الگوریتم‌های تکاملی (EA) و AIS، مکانیسم‌های الهام شده از ایمنی می‌توانند به آسانی در فرایند بهینه سازی تکاملی ترکیب شوند که کارهای موجود، بعضی از این ترکیبات را نشان می‌دهند.
در سال ۱۹۹۹، یو و هاجِلا^[۸۹]، یک AIS-EA ترکیبی را برای یک مسأله طراحی ساختار مسأله چندهدفه به کار بردند که به محدودیت‌ها و اهداف چندگانه رسیدگی می‌کرد. به منظور تعادل بین اکتشاف و استخراج، لوح^[۹۰] و همکارانش در سال ۲۰۰۳، فهم پیچیده‌ای از سیستم ایمنی بیولوژیکی با تنوعی از اپراتورهای تغییر مانند ترکیب جسمی، جهش جسمی، تبدیل ژن و غیره را ارائه کردند و آن را الگوریتم ایمنی چندهدفه^[۹۱](MOIA) نامیدند.
در سال ۲۰۰۵، کوئلو کوئلو و کورتِس^[۹۲] یک الگوریتم سیستم ایمنی چندهدفه (MISA) ارائه کردند که مفهوم انتخاب کلونال را برای تعیین حل‌های کاندید مناسب گسترش می‌داد. انتخاب، براساس رابطه غلبه پارتو و قابل قبول بودن اجرا می‌شد، درحالیکه نرخ تکثیر، وابسته به درجه شباهت بین آنتی بادی‌های انتخاب شده بود تا تعداد نمونه‌های ناحیه با تراکم کم را بالا ببرد.
فرسچی و رِپِتو^[۹۳] در سال ۲۰۰۵ یک سیستم ایمنی مصنوعی برداری (VAIS) را براساس شبکه ایمنی مصنوعی (ai-Net) برای بهینه سازی چندهدفه ارائه کرد. VAIS با الگوریتم‌هایی که تاکنون معرفی شده‌اند، تفاوت دارد، چون هیچ مکانیسم حفظ تنوع واضحی را به کار نگرفته‌است. درعوض، یک اپراتور حذف را برای حذف حل‌های شبیه به کار می‌برد تا از ارائه مجدد این حل‌ها در حافظه جلوگیری کند.
سال‌های اخیر، روش‌های گوناگونی در زمینه کاربرد AIS در مسائل بهینه سازی چندهدفه ایجاد شده‌است که عناوین بعضی از این روش‌ها به صورت زیر است: MOCSA^[94]، IDCMA^[95]، IFMOA^[96]، CSADMO^[97]، Tan & Mao’s MOIA، PAIA^[98]، omni-aiNet، ACSAMO^[99]، CNMOIA^[100]، QUICMOA^[101]، EMOIA^[102]، NNIA، MAM-MOIA^[103]، MLIA^[104]، IMOA^[105]، HIMO^[106].
در ادامه ما به بررسی و شرح مختصر سه الگوریتم MISA، VIS و NNIA که ازجمله الگوریتم‌هایی هستند که مورداستفاده تحقیق ما قرار گرفته‌اند، می‌پردازیم.
۲-۴-۳-۲- الگوریتم MISA
این الگوریتم براساس مفهوم انتخاب کلونال است و بر این اساس مدل سازی شده‌است که تنها آنتی بادی‌هایی که بالاترین قرابت را با آنتی ژن‌ها دارند، تکثیر شوند. همچنین این الگوریتم، از مفهوم غلبه پارتو برای تولید بردارهای غیرمغلوب استفاده می‌کند. همچنین، باتوجه به حرکت به سمت جبهه‌ی پارتو واقعی درطول زمان، یک حافظه اضافی (ثانویه) نیز برای ذخیره بردارهای غیرمغلوبی که درطول فرایند تکاملی یافت می‌شوند، استفاده می‌شود (که می‌تواند به صورت شکلی از نخبه گرایی در بهینه سازی مسائل چندهدفه تکاملی دیده شود).
این الگوریتم، همانطور که به صورت فلوچارت در شکل (۲-۶) نشان داده شده‌است، به صورت زیر خواهد بود [۱۸]:

1. 1. جمعیت اولیه را باتوجه به تقسیم فضای متغیر تصمیم به تعداد مشخصی از بخش‌ها، نسبت به اندازه جمعیت موردنظر، ایجاد می‌کنیم. بنابراین، ما یک جمعیت اولیه را با توزیع یکنواخت به گونه‌ای تولید کرده ایم که هر بخشی که فضای متغیر تصمیم تقسیم شده‌است، حل‌هایی دارد. به این خاطر این کار را انجام می‌دهیم که قابلیت جستجوی الگوریتم را به جای استفاده از یک اپراتور جهش، بهبود دهیم. به هر حال، حل‌هایی که برای جمعیت اولیه تولید می‌شوند، هنوز تصادفی هستند، از این رو، ما فقط این محدودیت را به این خاطر گذاشته ایم که مطمئن شویم توزیعشان در دامنه متغیرهای تصمیم، یکنواخت است.

1. 1. حافظه ثانویه را که تاکنون خالی است، مقدار دهی می‌کنیم.

1. 1. برای هر عضو در جمعیت مشخص می‌کنیم که مغلوب (پارتو) هست یا خیر؟ برای مسائل محدودیت دار، مشخص می‌کنیم که آیا یک عضو قابل قبول هست یا خیر؟

تولید جمعیت اولیه
تقسیم جمعیت
خوب
تکثیر خوب‌ها تا ۶۰% اندازه جمعیت، باتوجه به رعایت شروط
جهش یکسان برای همه
به روز رسانی اندازه جمعیت (با اهمیت به غیرمغلوبها)
رعایت شرط توقف
بد
مقدار حافظه ثانویه
تکثیر خوب‌ها تا ۶۰% اندازه جمعیت
جهش غیریکنواخت از ۰.۹ تا ۰.۳
به روز رسانی حافظه ثانویه
مقدار حافظه ثانویه
تقاطع بر روی ۶۰% اعضاء
پر
نیمه‌پر
پر
نیمه پر
خیر
آری
شکل ۲-۶- فلوچارت الگوریتم MISA

1. 1. برای هر آنتی بادی مشخص می‌کنیم که جزء بهترین آنتی بادی‌ها هستند یا خیر؟ از این رو آن‌ها را با اجرای معیارهای زیر تکثیر می‌کنیم:

• • اگر مسأله، بدون محدودیت است، همه اعضاء غیرمغلوب تکثیر می‌شوند.

• گر مسأله محدودیت دار است، با دو حالت مواجه می‌شویم: الف) حل‌های قابل قبول در جمعیت وجود دارد، و ب) هیچ حل قابل قبولی در این جمعیت وجود ندارد. برای مورد ب)، همه اعضاء غیرمغلوب تکثیر می‌شوند. برای مورد الف) فقط اعضاء قابل قبولی که غیرمغلوب هستند تکثیر می‌شوند (در این مورد، غلبگی فقط نسبت به دیگر اعضاء قابل قبول اندازه گیری می‌شود).