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.