Umělý imunitní systém
V umělé inteligence , umělé imunitní systémy (AIS)
jsou třída výpočetně inteligentních systémů inspirované zásadami a procesů
obratlovců imunitního systému . Algoritmy typicky využívají vlastností
imunitního systému, kterými jsou učení a paměti, k vyřešení problému.
Definice
Poli umělé imunitní systémy (AIS) se zabývá abstrahovat strukturu a
funkci imunitního systému , aby výpočetních systémů, a vyšetřování uplatňování
těchto systémů k řešení výpočtových úloh z matematiky, inženýrství a informační
technologie. AIS je náhradník-pole biologicky inspirované výpočetní a přírodní
výpočet , se zájmy v strojového učení a patří do širší oblasti umělé inteligence
.
Umělé imunitní systémy (AIS) jsou adaptivní systémy, inspirované teoretické imunologii a pozorovat imunitní funkce, principy a modely, které se používají k řešení problémů.
AIS je odlišný od výpočetní imunologie a teoretické biologie , které se zabývají simulaci imunologie využitím výpočetní a matematických modelů směrem k lepší pochopení imunitní systém, ačkoli tyto modely zahájilo pole AIS a nadále poskytovat živnou půdu pro inspiraci. Konečně, pole AIS není zabývá vyšetřováním imunitního systému jako počítání substrátu, jako je DNA computing .
Historie
AIS se objevil v polovině roku 1980 s Články od autora farmáře,
Packard a Perelson (1986) a Bersini a Varela (1990) na imunitní sítích. Nicméně,
to bylo jen v polovině roku 1990, které se staly AIS pole v jeho vlastní pravý.
Forrest et al., (na negativní selekce ) a Kephart et al. zveřejnila své první
dokumenty o AIS v roce 1994, a Dasgupta provedli rozsáhlé studie o negativní
selekce algoritmů. Hunt a Cooke zahájila práce na imunitní síťových modelů v
roce 1995; Timmis a Neal pokračoval v tuto práci a udělal několik vylepšení. De
Castro a Von Zuben je a Nicosia & Cutello práce (na klonální výběru ), se stal v
roce 2002 pozoruhodný První kniha o umělé imunitní systémy bylo sestaveno
Dasgupta v roce 1999.
V současné době, nové myšlenky podél AIS linií, jako je například nebezpečí teorie a algoritmů inspirovaný vrozeného imunitního systému , jsou také předmětem zkoumání. Ačkoli někteří věří, že tyto nové myšlenky dosud nenabízí žádný opravdu "nový" abstraktní, a to nad existující AIS algoritmů. To, nicméně, je vášnivé debaty, a debata je jedním z hlavních hnacích sil pro AIS vývoj v tomto okamžiku. Další nedávné události zahrnují zkoumání degenerace v AIS modelů, která je motivována jeho předpokládal role v otevřeným koncem učení a vývoje.
Původně AIS je uvedeno nalézt účinné abstrakce procesů nalezených v imunitním systému , ale v poslední době, je stále zájem o modelování biologické procesy, a při použití imunitní algoritmů bioinformatiky problémy.
V roce 2008, Dasgupta a Nino [ 7 ] publikovali učebnici na imunologické počítání která představuje kompendium up-to-date práce související s technikami imunitu-based a popisuje širokou škálu aplikací.
Techniky
Společné techniky jsou inspirovány specifickými imunologickými
teorií, které vysvětlují funkci a chování savců adaptivního imunitního systému .
Klonální Selection Algorithm : třída algoritmů inspirovaných klonální výběru
teorie získané imunity, která vysvětluje, jak B a T lymfocyty zlepšit jejich
reakci na antigeny v čase nazývá afinitní zrání . Tyto algoritmy se zaměřují na
darwinovskými atributů teorie, kde je volba inspirovaných afinitou interakcí
antigen-protilátka, reprodukce je inspirován dělení buněk , a změna je
inspirován somatickou hypermutation . Klonální selekce algoritmy jsou nejčastěji
aplikovány na optimalizaci a rozpoznávání domén, z nichž některé se podobají
paralelní horolezectví a genetický algoritmus bez obsluhy rekombinace.
Negativní výběrového algoritmu : inspirovaný pozitivní a negativní selekce
procesů, ke kterým dochází v průběhu zrání T buněk v thymu zvané toleranci T
buněk . Negativní výběr odkazuje na identifikaci a vymazáním ( apoptózy )
samostatně reagovat buněk, že je T-buňky, které mohou vybrat pro útok a osoby
samostatně výdělečně tkáně. Tato třída algoritmů se obvykle používají pro
klasifikaci a rozpoznávání vzorů problémových oblastech, kde je problém prostor
modelovaných v komplementu dostupných znalostí. Například v případě detekce
anomálií domény algoritmus připravuje sadu vzorových vzoru detektorů vyškolených
na normální (non-anomální) vzory, které modelu a detekují neviditelné nebo
neobvyklé vzory.
Imunitní Network Algorithms : Algoritmy inspirované
idiotypová sítě teorie navržené Niels Kaj Jerne , která popisuje regulaci
imunitního systému anti-idiotypické protilátky (protilátky, které vyberete pro
jiné protilátky). Tato třída algoritmů zaměřit na grafu strukturách sítí
zapojených kde protilátky (nebo buňky produkující protilátky) představují uzly a
školení algoritmus zahrnuje rostoucí nebo prořezávání hrany mezi uzly na základě
afinitu (podobnosti v reprezentaci prostoru problémy). Imunitní síťové algoritmy
byly použity v clusterů, vizualizace dat, řízení a optimalizace domény, a sdílet
s vlastnostmi umělých neuronových sítí .
Dendritické buňky algoritmy :
Dendritické buňky algoritmus (DCE) je příkladem imunitní inspirovalo algoritmu
vyvinutého s použitím přístupu s více měřítku. Tento algoritmus je založen na
teoretického modelu dendritických buněk (DCS). DCA je zamyšlený a prováděna
prostřednictvím procesu zkoumání a modelování různých aspektů funkce DC, z
molekulárních sítí přítomných v buňce na chování vystavoval o populaci buněk
jako celku. Pokud jde o informace o DCA se granuluje v různých vrstvách,
dosaženo prostřednictvím zpracování více měřítku.