学者Farmer[9]基于独特型免疫网络模型提出计算抗体的激励水平及浓度的动态方程如下：

其中，i=1，2，3，。。。N是抗体个数。其中，Aik代表着抗体亲和度，aik代表抗体的浓度值。ajk(t-1)代表抗体i 受到其抗体j浓度的激励作用。rij表示机器人的相互作用的评估效率，gik受到的抗原激励值；ki是指抗体i的自然死亡率，此外，α，β分别表示抗体i对于其他抗体亲和度的交互作用率。
1。4 研究内容
本文研究的主要的内容是，基于人工免疫系统多机器人未知环境探索。人工免疫系统是分布式、自主性的没有全局监督器的生物免疫系统，主要是通过抗原和抗体、抗体和抗体之间的激励或抑制促使系统自动的选择最适合的抗体来消灭抗原。基于人工免疫算法，提出多机器人随机分布的未知环境探测。本文在高元园等[1]基础上提出了基于淋巴细胞的免疫机理，改进了高元园[1]基于免疫探测的重复率。机器人在进行环境探索时被锁情况的情况是不可避免，基于淋巴细胞的免疫机理主要是将促使机器人被锁状态发生在探索的后期。高元园[1]基于免疫网络算法在处理机器人被锁状态时，机器人需要花费很多的精力和时间，在此基础上本文提出了逼近法帮助机器人以最优的方式跳出被锁。经过Matlab实验仿真以及Webots仿真软件证明，改进后的算法，在探测重复率以及机器人被困方面都有很大的改善。

第二章 基于淋巴细胞机理免疫网络的多机器人
协作探测
根据本文的设计目的，机器人探测未知环境主要解决的是减少运行步数，避免过早陷入被锁状态以及尽可能减少重复探测的步数，本文在高元园[1]免疫探测的基础上做出了改进提出了基于淋巴细胞机理免疫网络假设。
2。1 基于人工免疫系统建模
机器人基于人工免疫算法完成环境的探测，在探测之前机器人对环境一无所知，需要搭建环境模型，在未知环境中机器人依靠自身携带的传感器探测局部环境信息建立地图模型。
2。1。1 环境构建
机器人构建地图实际就是多机器人传感器感知环境建模的过程。在未知环境中，机器人不具有先验知识，对于环境的大小、形状、障碍物一无所知，因此机器人借助自身携带的传感器提供的信息用于地图的构建。对于地图构建表示法选取应该考虑以下的基本问题：
1、便于后续的处理和计算；
2、允许加入新的信息来更新地图；
3、机器人可以利用生成的实现未知环境的探索。
对于地图的构建有很多种表示方法，目前大致可以分为三种：栅格法、几何信息表示法和拓扑图表示法。
为了建立准确的环境地图，本文采用Elfes等[17-19]提出的栅格法对环境进行建模。 首先，将地图划分成大小相同的格子将其作为单元格，每个单元格有一个坐标(x，y)，定义单元格的概率表示障碍物的存在情况，并称为占有概率，取值(0，1]区间，表示该单元格被障碍物占据的可能性。对于任意的单元格可分为三种状态：已探区域D、障碍区域O、自由区域F。对于不同的单元格定义如下：障碍物占有状态称为“被占状态”用“Xocc”表示，已经被机器人探测过的区域称为“已探测状态”用“Xdete”表示，未被机器人探测或者未被障碍物占有的状态称为“自由状态”用“Xfree”表示。
设环境模型{（Xi ,Yj）i=0。。。m，j=0。。。n}，如图(2-1)用于机器人探测搭建的环境模型，图中的环境的大小、障碍物大小和形状是随机设置的。并将环境的四周定义为被障碍物占据状态。

图2-1探测环境的地图的构建 Jerene人工免疫系统的多机器人协作探测研究(4):http://www.youerw.com/tongxin/lunwen_131029.html