免疫协同进化设计在电子政务中运用

开篇：润墨网以专业的文秘视角，为您筛选了一篇免疫协同进化设计在电子政务中运用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

传统的工作流引擎通常不同程度的存在生成柔性较差和适用范围窄、灵活性差，扩展能力不足的问题。可以通过提升内部算法对流程进行科学组织和管控，然而一个业务的处理过程往往不是已知的。因此，要使流程处理得到优化和具有智能处理特性，以上并不是一个最优的解决方法。考虑到生物免疫系统具有自学习、自适应、自组织、高度分布和记忆能力等特性，而Agent技术作为分布式技术和人工智能技术相互结合的产物，笔者认为，将探索两者的结合并建立一个可行模型可以为这一问题的解决提供一个崭新的思路。

本文提出由多个Agent（抗体）组合构成的一个多Agent系统来进行问题的协作求解，基于免疫IRACS算法、协同进化框架及形态空间模型，提出一个基于免疫协同进化（ImmunebasedCo-Evolution）的多Agent系统模型，以具体的组合优化问题（K-TSP问题）为例，应用该模型进行求解，讨论并验证相应算法设计，并通过实验结果的分析和初步建立了一个在电子政务系统中应用该模型的实例验证了模型的可行性。

1免疫协同进化模型

免疫协同进化模型如图1所示，来自其他Agent的抗体集中的这些“抗体代表”经过抗原提呈后形成一个抗原集。加强的IRACS算法（EnhancedIRACS，E.IRACS）构成单个Agent的核心控制逻辑，执行对此抗原集的免疫识别。多个Agent协同进化，每次迭代中各Agent根据约定的策略选取抗体代表发送给其他Agent，各Agent搜集到发来的抗体代表后经抗原提呈形成抗原集，交由E.IRACS算法进行免疫识别，抗体集和基因库也在识别过程中得到不断更新。系统以迭代方式向解状态演化，系统的一个解对应为Agent中的抗体和抗原的一个匹配组合，抗体与抗原的匹配程度越高（即亲和度值越高），则对应解的质量越高。

1.2.免疫协同进化模型算法在K-TSP问题中的验证

K-TSP(K-personTravelingSalesmanProblem)问题的直观描述为：k个旅行商从城市0出发分头去访问n-1个城市，每个城市有且仅有一个旅行商到达，最后都回到城市0。问题有两种提法，一是问怎样安排使得k个旅行商的总访问路线最短，二是问怎样安排使得k个旅行商的t条访问路线中的最大长度最小。K-TSP问题是对TSP问题的扩展，也是一个NP-hard问题。K-TSP问题也是众多流程处理问题的共同抽象。针对具体的政务系统设计K-TSP算法可以优化对于已知解的搜索速度和匹配成功率，本文设计的具体算法在第3章给出。

2基于多Agent协同进化模型的电子政务系统结构设计

基于协同进化Agent的电子政务系统平台模型如图2所示。主要设计了7种主要的Agent，包括认证Agent、智能处理Agent、信息搜索Agent、政务知识发现Agent、政务事务处理A－gent、政务信息管理Agent、公众信息管理Agent。

系统通过以下过程进行工作，

步骤1：公务员、公众或者企业（即用户端）通过互联网或政务内部网访问该电子政务应用系统平台时，首先通过认证A－gent对访问者的请求服务进行预处理并查找历史记录，若匹配，则导向系统数据库记录和具体服务处理Agent进行处理。

步骤2：如果请求的服务在历史记录中不匹配，则在抗体库中进行进一步的匹配和更新，然后交由具体服务处理Agent进行处理。本系统设计真正做到了对服务请求的协同和进化处理，并利用认证Agent和历史记录增强业务流程的处理速度以及智能化处理。

3基于多Agent协同进化模型的电子政务系统在Aglets下的实现

Aglets是基于JavaAPI的轻架构移动Agent系统，是移动Agent的生存环境。使用Aglets可以直接开发出独立于大规模应用程序框架的单独的分布式应用程序，无需依靠提供分布式中间件服务的中央服务器。

3.1.主要类的实现

Reg_Agent类方法包括以下方法：当认证Agent经过检查发现请求信息里面有可处理数据时，向智能处理Agent发送信息。包括主机名、IP地址、时间及相应的附加描述信息。Reg_Agent类中方法run()负责将所收集到的请求信息，传送至智能处理Agent。Control_Agent类包含以下方法：方法getRegion().1istAgencise()获取Region上的所有Agen－cy；方法InitialAgency()负责抗原信息库以及进行各组件的初始化，并开始对端口进行监听，等待RegAgent到达；方法copy(Addresslocation)像所连接的普通节点所有的Agency迁移一个UpdateAgent,以一定时间间隔对普通节点特征库进行更新；方法AcceptReportAgent()接收和验证Report_Agent,方法ArgumentCleanAgem()组装CleanAgent，并将Agent迁移到IPList中所有的节点。

3.2.K-TSP

算法在协同进化模型中的实现Input：服务的快速匹配Output：完成协同进化处理并输出结果varBestSolution，Representatives//定义全局变量、协同进化抗体和记录集合Begin//初始化ForallAgenti∈AdoAgenti.Initialize()；//第i个处理Agent的初始化EndforWhile(!stop-condition)doForallAgenti∈AdoRepresentatives–Agenti.Select()；//选择抗体代表EndforForallAgenti∈A//开始协同进化处理Agenti.AntigenPresentation(Representatives)；//认证Agent提取服务信息Agenti.AfiinityCaculation()；//查询历史记录、匹配度计算Agenti.AffinityMaturation()；//完成对已有记录的亲和度判断Agenti.MetaDynamic()；//智能处理Agent对服务进行二级判断Agenti.UpdateGeneLib()；//对政务系统抗体库、历史记录更新Endfor//协同进化处理完毕，等待下一服务请求到来Endwhile；OutputBestSolution；//输出End

3.3.系统的运行和测试

系统的测试采取以默认local端口4434的作为服务器，任意端口5086作为远端服务器。输入端口命令“Agletsd-port5586”，运行得到如图3所示的系统与服务器成功创建链接。系统可以自动运行当中的agent程序。可输入服务器路径(127.0.0.1:5586)，或选择已有的服务器列表，可把agent程序手动通过dispatch分配到所需的服务器中。如图4所示。

4结束语

本文结合Agent的诸多优势，基于免疫协同进化模型中免疫响应和免疫记忆机制，提出人工免疫Agent的逻辑结构模型，提高服务获取的可靠性和有用性。在此基础上，结合基于Agent的免疫模型可以用于模拟系统内某些具体行为的主体这一特性，将静态Agent和移动Agent结合，使得服务组合更加灵活，更好的满足了不断复杂的业务需要。