Алгоритм иммунной сети

Искусственная иммунная сеть

Алгоритм искусственной иммунной сети вдохновлен теорией иммунной сети приобретенной иммунной системы. Теория клональная селекция приобретённого иммунитета учитывает адаптивное поведение иммунной системы, включая непрерывный отбор и пролиферацию клеток, которые отбирают потенциально опасные (и обычно чужеродные) материалы в организме. Проблема теории клональной селекции заключается в том, что она предполагает, что репертуар реактивных клеток остается неактивным, когда нет патогена, на который можно было бы реагировать. Джерн предложил теорию иммунных сетей (идиотипические сети), согласно которой иммунные клетки не находятся в состоянии покоя в отсутствие патогена, а антитела и иммунные клетки распознают друг друга и реагируют друг на друга.

Теория иммунных сетей предполагает, что антитела (свободно плавающие и связанные с поверхностью) обладают идиотопами (поверхностными чертами), с которыми могут связываться рецепторы других антител. В результате взаимодействия с рецепторами репертуар становится динамичным, где рецепторы непрерывно тормозят и возбуждают друг друга в сложных регуляторных сетях (цепочках рецепторов). Теория предполагает, что процесс клональной селекции может быть запущен идиотопами других иммунных клеток и молекул в дополнение к поверхностным особенностям патогена, и что процесс созревания распространяется как на сами рецепторы, так и на те идиотопы, которые они выявляют.

Теория иммунных сетей имеет интересные свойства обслуживания ресурсов и обработки сигнальной информации. Классические парадигмы клональной селекции и отрицательный отбор включают кумулятивное и отфильтрованное обучение приобретенной иммунной системы, в то время как теория иммунной сети предлагает порядок сложность дополнительные между клетками и выбранными молекулами. В дополнение к клеткам, которые взаимодействуют непосредственно с патогеном, есть клетки, которые взаимодействуют с этими реактивными клетками и с патогеном косвенно, в последовательных слоях, таких как сети активности для структур более высокого порядка, таких как внутренние образы патогена (продвижение) и регуляторные сети. называются антиидиотопами и антиидиотопами).

Цель процесса иммунной сети состоит в том, чтобы подготовить репертуар детекторов дискретных паттернов для заданной проблемной области, где наиболее эффективные клетки подавляют низкоаффинные (похожие) клетки в сети. Этот принцип достигается за счет интерактивного процесса воздействия на популяцию внешней информации, на которую она отвечает как реакцией клонального отбора, так и внутренней метадинамикой внутрипопуляционных реакций, стабилизирующих реакции популяции на внешние раздражители.

Следующий алгоритм обеспечивает псевдокод алгоритма оптимизации искусственной иммунной сети (opt-aiNet) для минимизации функции стоимости.

Искусственная иммунная сеть

айнет предназначен для кластеризация без присмотра, в то время как расширение optaiNet было разработано для распознавания образов и оптимизации, в частности оптимизации мультимодальных функций.

Количество мутаций клонов пропорционально сродству родительской клетки с функцией стоимости (лучше приспособленность, меньше мутаций). Добавление случайных ячеек к каждой итерации добавляет к алгоритмам возможность случайного перезапуска. Подавление на основе подобия ячеек обеспечивает механизм для уменьшения избыточности. Размер популяции динамичен, и если он продолжает расти, это может указывать на проблему со многими локальными оптимумами или на необходимость увеличения порога сходства.

Мутация, пропорциональная аффинности, выполняется с использованием c'=c+A*N(1;0), где A=1/B*exp(-f), где N - случайное число по Гауссу, а f - приспособленность родителя, контроль B затухание функции и может быть установлено равным 100. Порог сходства зависит от проблемы и представления, например, порог сходства может быть установлен на произвольное значение, такое как 0,1 в области непрерывной функции, или рассчитан как процент от размера проблемного пространства. Количество вставленных случайных клеток может представлять 40% размера популяции. Количество клонов, созданных для клетки, может быть небольшим, например, 10.

Делиться
ru_RURU
%d такие блоггеры, как: