Гибридные комплексные интеллектуальные системы

Развитие гибридных интеллектуальных систем (Искусственные иммунные системы. Клональный отбор. Модели иммунных систем) — одна из наиболее интенсивно развивающихся областей. Гибридные системы используют различные вычислительные методы и методы, такие как искусственные нейронные сети, нечеткие системы, искусственные иммунные системы, эволюционные вычисления и генетические алгоритмы. Основная цель состоит в интеграции различных методов обучения и адаптации для преодоления индивидуальных ограничений и достижения синергетического эффекта посредством сочетания этих методов. Это вносит большой вклад в развитие большого количества новых интеллектуальных систем в последние годы.

В этом контексте исследователи изучили комбинирование AIS с другими вычислительными моделями и методами, особенно с методами мягких вычислений. Некоторые из ранних работ, в которых сочетались идеи АИС с генетическими алгоритмами, были разработаны Хаджелой и др. (1997 год). Он использует иммунные сети для улучшения сближения генетических алгоритмов для проектирования. Dasgupta (1997) указал на сходства и различия между AIS и искусственными нейронными сетями. Nasraoui et al. (2002) предложил модель Fuzzy AIS, которая использует нечеткое множество для моделирования области влияния каждой B-ячейки, что делает ее более устойчивой к шуму. Vergas et al. (2003) представили классификационную сеть иммунного обучения под названием CLARINET для автономной навигации, объединив сильные стороны систем классификаторов обучения, эволюционных алгоритмов и модели иммунной сети. Xian et al. (2005) предложил новый метод обнаружения вторжений, который оптимизирует целевую функцию кластеризации неконтролируемых нечетких k-средних на основе алгоритма выбора клона.

Karakasis и Stafylopatis (2006) представили гибридный метод для задач интеллектуального анализа данных, который объединяет принципы отбора клона и программирование экспрессии генов. Fu et al. (2007) предложил гибридную искусственную иммунную сеть, которая использует рой, изучающий оптимизацию роя частиц, чтобы ускорить сближение искусственной иммунной системы. Gan et al. (2007) предложил метод, который комбинирует простой метод представления программирования генной экспрессии и преимущество алгоритмов отбора клона. Danzhen et al. (2008) представил алгоритм нечеткой искусственной иммунной сети (FaiNet) для классификации нагрузки. Он состоит из трех частей: алгоритм обучения искусственной иммунной сети, алгоритм минимального связующего дерева и алгоритм классификации, основанный на алгоритме нечетких C-средних.