Искусственные иммунные системы. Клональный отбор. Модели иммунных систем

Было разработано несколько искусственных иммунных алгоритмов (Искусственные иммунные системы. Основные понятия), имитирующих теорию отбора клона.

Кастро и Зубен (Castro and Zuben, 2002) предложили клональный алгоритм отбора CLONALG для обучения и оптимизации, CLONALG генерирует популяцию из N антител, каждая из которых определяет случайное решение для процесса оптимизации. На каждой итерации некоторые из лучших существующих антител отбираются, клонируются и мутируются, чтобы построить новую популяцию-кандидата. Затем оценивают новые антитела и добавляют определенный процент лучших антител к исходной популяции. Наконец, процент наихудших антител предыдущего поколения заменяется на новые случайно созданные.

Алгоритм клонального отбора для решения задач оптимизации

В Rouchen et al. (2003) введен алгоритм иммунной клональной стратегии (ICS), который включает в себя алгоритмы моноклональной стратегии иммунитета (IMSA) и алгоритм поликлональной стратегии иммунитета (IPSA). ICS используется для решения задачи многокритериальной оптимизации. Zuo и Li (2003) предложили искусственный иммунологический алгоритм Хаоса (CAIF) для решения проблемы оптимизации. Он использует хаотическую переменную для выполнения локального поиска и исследования пространства решений.

Garrett (2004) представил алгоритм адаптивного клонирования (ACS) в качестве модификации CLONALG. Он предлагает некоторые изменения в CLONALG на основе анализа операторов для выбора количества мутаций и количества клонов для преодоления недостатков CLONALG, таких как несколько используемых параметров и двоичное представление. Алгоритм адаптивной иммунной клональной стратегии (AICSA), предложенный для решения задач численной оптимизации в Liu et al (2004). Он динамически назначает иммунную память и популяцию антител в соответствии с Ab-Ab и Ab-Ag. Он также интегрирует локальный поиск с глобальным поиском.

Ю и Хоу (2004) представили улучшенный алгоритм выбора клона, основанный на алгоритме CLONALG. Был введен оператор обучения для улучшения механизма обучения CLONALG и повышения эффективности обнаружения. Campels et al. (2005) предложили Алгоритм Реального Кодированного Клона (RCSA) для оптимизации электромагнитного проектирования. Это предлагает некоторые модификации клонального алгоритма выбора, чтобы позволить обработку реальных значащих переменных для проблем оптимизации. Он имеет некоторые функции, такие как количество клонов, диапазон мутаций и долю населения, выбранного для каждого поколения. В Cutello et al. (2005) был разработан иммунологический алгоритм для задач непрерывной глобальной оптимизации OPT-IA. Основными особенностями предложенного алгоритма являются следующие: оператор клонирования, который исследует окрестность в каждой точке в пространстве поиска. Оператор гипермутации, обратно пропорциональный, используемый в алгоритме, где число мутаций обратно пропорционально значению соответствия. Наконец, оператор старения используется для удаления самого старого решения кандидата из текущих популяций, чтобы ввести разнообразие и избежать локальных минимумов во время процесса поиска.

Адаптивный алгоритм клона, предложенный в Bian and Qiu (2006) для размещения оптимального блока измерения фаз (PMU) . Он корректирует количество популяции и вероятности операторов гипермутации и рекомбинации алгоритма CLONALG. Эти изменения могут улучшить процесс оптимизации и помочь избежать локально оптимальных ловушек. Cutello et al. (2006) представила улучшенную версию OPT-IA под названием opt-IMMALG. Основными модификациями в этом алгоритме являются замена представления двоичной строки на вещественно закодированное и введение нового обратно пропорционального оператора гипермутации.

Gong et al. (2007a) представил усовершенствованный алгоритм отбора клонов на основе CLONALG с новым мутационным методом, самоадаптивной хаотической мутацией. Основные модификации заключаются в том, что новый алгоритм использует логистическую хаотическую последовательность для генерации первоначальной совокупности антител, в то время как гипермутация принимает самоадаптивную хаотическую мутацию. В Gong et al. (2007b) предложен алгоритм дифференциального иммуноблонового отбора (DICSA) для решения глобальных задач оптимизации. Он объединяет теорию отбора клонов и дифференциальную эволюцию и использует три оператора: оператор клонирования, дифференциальную мутационную кроссоверную мутацию и стандартный оператор выбора.

Параллельный клональный алгоритм выбора для решения проблемы раскраски графов, представленной в Dabrowski and Kubale (2008). Он использует модель острова, где каждый процессор работает в своем собственном пуле антител, чтобы улучшить производительность. Lu и Zhichun (2008) предложили алгоритм корректировки клонального хаоса (CCAA) для оптимизации мультимодальной функции. В целях повышения эффективности глобальной конвергенции CLONALG он использует преимущества эргодических и динамических свойств системы хаоса и вводит хаотический механизм поиска в CLONALG для повышения эффективности поиска.

Многие другие клональные алгоритмы выбора были введены в литературу. Примеры этих алгоритмов включают в себя: Jiao and Li (2005), Li et al. (2005), Jin et al. (2006), Xiu-li и Yu-qiang (2006), Halavati et al. (2007), Он и Цзянь (2007), Hu et al. (2007), Chen (2007), Zhang et al. (2007), Li et al. (2008), Qiao et al. (2008) и Yang et al. (2008 год).

Отрицательные алгоритмы на основе выбора

Отрицательный отбор является одним из механизмов естественной иммунной системы, которая стала основой для большинства существующих систем искусственного иммунитета. В процессе созревания Т-клеток иммунной системы, если Т-клетка тимуса распознает любую клетку-самку, она удаляется перед развертыванием для иммунной функции. Аналогичным образом, алгоритм отрицательного выбора генерирует набор детекторов, устраняя любой кандидат-детектор, который соответствует элементам из группы самоотборов.

Алгоритмы с отрицательным отбором использовались в различных областях применения, таких как обнаружение аномалий. Форрест (Forrest, 1994) предложил алгоритм отрицательного выбора. Основная идея его алгоритма состоит в том, чтобы генерировать набор детекторов, сначала произвольно составляя кандидатов, а затем отбрасывая те, которые распознают самонастраивающиеся данные, а затем эти детекторы могут быть впоследствии использованы для обнаружения аномалии.

В Ayara et al. (2002) представлен алгоритм NSMutation. Он вводит соматическую гипермутацию, устраняет избыточность и обладает настраиваемыми параметрами. Он состоит из трех фаз: определение собственных данных, создание детектора-кандидата и сравнение сгенерированного детектора с собственными данными на основе порога близости. Гонсалес и Канниди (2004) представили самоадаптивный подход с отрицательным отбором для обнаружения аномалий. Он использует самоадаптивные методы настройки параметров. Основными двумя этапами алгоритма являются: генерация первоначальной совокупности и эволюция популяции.

Igawa и Ohashi (2008) предложили новый алгоритм отрицательного отбора, названный «Искусственный негативный селективный классификатор» (ANSC) для многоклассовой классификации. Он вводит метод резания, чтобы уменьшить влияние шума. Он сочетает в себе алгоритм отрицательного отбора с механизмом отбора клона для решения вопросов, которые не позволяют применять алгоритмы отрицательного отбора к задачам классификации. Эти проблемы включают случайный поиск, переопределение и неполную информацию. Некоторые другие исследователи предложили алгоритмы отрицательного отбора, которые можно найти у Zeng et al. (2007), Xia et al. (2007) и Zhengbing et al. (2008 год).

Модели искусственных иммунных сетей

Основываясь на теории иммунной сети, предложенной Jerne (1974), которая была представлена в предыдущем разделе, многие исследователи разработали модели, которые используют идеи и концепции теории иммунной сети для решения проблем в различных областях применения. Пионерская работа Ишигуро (1994) и работы Ханта и Кука (1996) провели много исследований, и, следовательно, в литературе появились первые модели искусственных иммунных сетей. После работы, проделанной в Dasgupta et al (2003), мы суммируем некоторые из существующих моделей иммунной сети в этом разделе.

Timmis et al. (2000) предложил искусственный иммунитет NEtwork (AINE) для выполнения задачи анализа данных. Он использует искусственный шарик распознавания (ARB) для представления идентичных B-клеток. Две B-ячейки связываются между собой, если сродство между двумя ARB ниже порога сетевой близости (NAT). В Тиммисе и Ниле (2001) разработана ресурсная ограниченная искусственная иммунная система (RLAIS) на основе AINE. Основными усовершенствованиями в их модели являются фиксированное общее количество B-ячеек, представленных в ARB с централизованным управлением, где каждый ARB конкурирует за выделение ресурсов из пула. Брандмауэры без ресурсов удаляются из сети. Процесс клонирования и мутации и взаимодействия B-клеток осуществляются на уровне ARB.

Самостабилизирующаяся искусственная иммунная система (SSAIS), представленная в Neal (2001) на основе RLAIS для непрерывного анализа изменяющихся во времени данных. В отличие от RLAIS, нет ограниченного количества ресурсов, и управление децентрализовано до уровня ARB. Кастро и Зубен (Castro and Zuben, 2000) представили модель aiNet для задач анализа данных. Сеть антител, генерируется в соответствии с евклидовым расстоянием. Он имеет некоторые особенности AINE, но отличается тем, что структура иммунной сети не является частью процесса клонирования и отбора антител. В Castro и Timmis (2002a) предлагается иерархия моделей aiNets, основанных на aiNet. Основными усовершенствованиями модели aiNet стали критерии остановки для интерактивного сетевого взаимодействия и введение автоматического иерархического метода для генерации дерева aiNets, способного обнаруживать кластеры с менее однородными характеристиками.

Кастро и Тиммис (2002b) представили модель opt-aiNet для оптимизации мультимодальных функций на основе модели aiNet. Основными характеристиками этой модели являются автоматическое определение размера популяции, сочетание локального с глобальным поиском, четко определенный критерий остановки и возможность нахождения и поддержания стабильных локальных решений оптимума. Найт и Тиммис (Knight and Timmis, 2002) предложили Многослойные Искусственные Иммунные Системы (MLAIS), которые базируются теорией отбора клонов и включают механизм обратной связи, подобный к-стимуляции в теории иммунной сети. Он включает идею первичного иммунного ответа, чтобы иметь дело с событием, когда неизвестные данные представляются в систему.

Нил (Neal, 2003) предложил модифицированную версию SSAIS с именем Meta-Stable Memory Immune System для многомерного анализа данных. Модель использует функцию стимуляции и механизм распределения ресурсов, аналогичный SSAIS. Он отличается тем, что в системе используется процесс клонирования в первичном ответе, который опосредуется порогом близости, но он не рассматривает оператор мутации. В Nasraoui et al. (2003) Модель TECNO-STREAMS вводится для обнаружения неизвестного числа эволюционирующих кластеров в потоке данных с шумом. Он может моделировать кластер произвольной формы, поскольку несколько B-ячеек могут представлять один кластер.

Искусственная иммунная система для классификации электронной почты (AISEC), представленная Secker et al. (2003 год). Он способен к непрерывному обучению с целью классификации двух классов и используется для задачи сортировки электронной почты. Alonso et al. (2004) предложил на основе модели aiNet подход к модели агента, который играет дилемму Итерируемого заключенного (IDP). Структура агента состоит из двух иммунных сетей: распознавания AIN и решения AIN. Основное усовершенствование aiNet представлено в механизме, который использует сеть для добавления B-ячейки в память.

Bentley и Timmis (2004) представили Фрактальную иммунную сеть, объединяющую идеи фрактальных белков с иммунными сетями. Модель отображает элементы данных как фрактальные антигены, создает фрактальные пространства распознавания, подобные ARB в динамических сетях, и формирует все сетевые соединения путем излучения и приема фрактальных цитокинов. Система обеспечивает желаемые кластеры и классификацию данных независимо от данных. Luh и Liu (2004) разработали реактивную иммунную сеть (RIN) для мобильных роботов, изучающих навигационные стратегии в неизвестных средах. В своем подходе модифицированный метод виртуальной цели интегрирован для решения проблемы локальных минимумов. Franca et al. (2005) предложил модифицированный алгоритм, называемый dopt-aiNet (opt-aiNet для динамических сред), для решения изменяющихся во времени функций пригодности в качестве улучшенной версии opt-aiNet. Основные улучшения, представленные в их подходе, — это использование отдельной субпопуляции памяти, процедура поиска строки, две новые схемы операторов мутаций, механизм подавления клеточной линии и ограниченный размер популяции.

В Qiao and Jianping (2006) предложена система обнаружения вторжений на основе иммунной системы (AINIDS). Он состоит из пяти компонентов: сборщик данных, парсер заголовков пакетов и извлечение признаков, генерирование антител и обнаружение антигенов, совместное стимулирование и компоненты оптимизации отчетов и правил. Tian et al. (2006) предложил модифицированный алгоритм aiNet для решения задач оптимизации функций. Основные улучшения, представленные в этом алгоритме: 1) радиус поиска — переменный параметр, зависящий от количества поколений, в которых выживает клетка. 2) Зарезервируйте клетку с наибольшей приспособляемостью (элитарная стратегия). 3) Скорость расширения контролируется для поддержания разнообразия сети.

Graaff и Engelbrecht (2007) представили модель локальной искусственной иммунной системы соседства (LNNAIS) для кластеризации данных. По сравнению с существующими моделями AIS, LNNAIS использует концепцию района искусственных лимфоцитов (ALC) для определения сетевых связей между ALC. В этой модели отсутствует порог близости к сети, который определяет, должны ли быть связаны две ALC для создания сети. Соседи лимфоцитов определяются их индивидуальными показателями, и они взаимодействуют друг с другом и учатся друг у друга, чтобы улучшить локальное представление паттернов. Хао и Кай-Синь (Hao and Cai-Xin, 2007) предложили алгоритм классификации искусственной иммунной сети (AINC) для диагностики неисправностей силового трансформатора. Алгоритм состоит из трех шагов; Классификация образцов разломов на набор обучающих антигенов и проверка набора антигенов, и инициализация наборов. Во-вторых, использует AINC для обучения наборов антигенов для получения антител к памяти. Наконец, рассчитывается евклидово расстояние между набором тестовых антигенов и набором антител, и выборка повреждений классифицируется с использованием подхода K-Nearest Neighbor (KNN).

Чжан и Йи (Zhang and Yi (2007)) предложили Tree Structured Artificial Immune Network (TSAIN) для кластеризации и классификации данных. В этой модели топологическая связь устанавливается между двумя антителами сразу после того, как один воспроизводится другим, без необходимости устанавливать порог для этого соединения. Он состоит из четырех фаз: клонального отбора, взаимодействия антител, подавления антител и фаз обновления топологии. Первые две фазы предоставляют сети возможность самоорганизации. Подавление и обновление топологии обеспечивают согласованность топологии сети с распределением кластеров.

В Lv (2007) обсуждается алгоритм Chain Immune Network (CIN) для оптимизации мультимодальных функций. Главными особенностями этого алгоритма являются использование переменной хаоса для имитации режима пролиферации иммунных клеток для повышения точности поиска, были улучшены критерии степпинга и добавлены некоторые соответствующие меры, чтобы избежать предварительного созревания. Хуан и Цзяо (Huang and Jiao, 2007) представили сеть искусственного иммунного ядра (IKCN) для неконтролируемой сегментации изображений. Он объединяет искусственную иммунную сеть и описание домена поддержки. В этой модели наборы признаков Image будут разделены на подмножества антител, а затем каждое подмножество будет отображено в гиперсферу в пространстве высокой размерности ядром Мерсера. Наконец, минимальное остовное дерево используется для автоматического определения конечного количества кластеров без предопределенного числа кластеров. Некоторые другие предложенные алгоритмы иммунной сети могут быть найдены у Li et al. (2008 год)