Vybrané aplikace algoritmů umělého imunitního systému Martina Husáková Univerzita Hradec Králové, Fakulta informatiky a managementu Hradecká 1249/6, 50003 Hradec Králové
[email protected]
Abstrakt Biologický imunitní systém se stal inspirací pro tzv. umělé imunitní systémy. Od 80. let, kdy hovoříme o rozvoji této vědní oblasti, uplynula určitá doba, během které se algoritmy umělého imunitního systému aplikovaly na řešení různorodých problémů počítačové vědy. Tento příspěvek podává pohled na klíčové mezníky vývoje umělých imunitních systémů s důrazem na aplikace jejich algoritmů v praxi. Zároveň jsou identifikovány výzkumné otázky jako motivace pro další studium, které mohou zároveň ukázat další směr vývoje umělých imunitních systémů.
1
Úvod
Biologií inspirované algoritmy jsou kategorií výpočetní inteligence (VI), které se snaží různými přístupy přispět k řešení určitých problémů především v počítačové vědě. Do této kategorie spadají např. umělé neuronové sítě (UNS) inspirované fungováním nervového systému člověka, fuzzy logika (FL) řešící problémy zatížené nejistotou a neurčitostí nebo genetické algoritmy (GA) vycházející z Darwinovské evoluční teorie o původu druhů. Toto jsou klasičtí představitelé VI, ale v současné době se nelze omezovat jen na ně. Za zmínku jistě stojí celulární automaty modelující chování dynamických systémů, membránové výpočty (P-systémy) čerpající inspiraci z fungování buněčných membrán, Lindenmayerovy systémy (L-systémy) schopné generovat různé přírodní útvary pomocí fraktálů nebo mravenčí kolonie použitelné v optimalizaci. Tento příspěvek přibližuje další kategorii spadající do VI tzv. umělé imunitní systémy (UIS), které si berou inspiraci z chování biologického imunitního systému (BIS). Následující kapitola charakterizuje UIS z pohledu historie, vztahu k BIS, jeho vlastností, algoritmů a aplikací. Kapitola 3. vystihuje současný stav poznání v UIS, identifikuje aktuálně řešené problémy a naznačuje směr budoucího vývoje UIS.
2
Umělé imunitní systémy
2.1
Historie
UIS jsou poměrně mladou výzkumnou oblastí v porovnání s klasickými představiteli VI. Roku 1986 publikoval J. D. Farmer, N. H. Packard a A. S. Perelson práci, která jako první propojovala poznatky teoretické imunologie s VI [15]. Vytvořili model imunitní sítě, který reprezentoval imunitní buňky pomocí binárních řetězců. Tento model byl následovníkem prvotních modelů tvůrce teorie imunitní (idiotypové) sítě N. K. Jerneho z roku 1974 [26]. N. K. Jerne pro reprezentaci elementů sítě využil diferenciálních rovnic. Dalším klíčovým mezníkem v historii UIS byla práce H. Bersiniho a F. J. Varely z roku 1990, která jako první publikovala použití imunitních algoritmů v řešení problémů [3]. Výše zmíněné práce položily základní kámen k UIS a jejich výzkumu.
2.2
Dvě cesty pro využití UIS
UIS jsou používány dvěma způsoby. Prvním je Imunoinformatika (Immunoinformatics, Computational Immunology), která využívá různých přístupů počítačové vědy k lepšímu porozumění fungování BIS. Modelování, simulace, tvorba ontologií nebo databází a data mining, jsou nejčastěji zmiňovanými přístupy. UIS je zde chápán jako model k realizaci obtížně proveditelných aktivit v laboratorních podmínkách. Propojením imunologie s bioinformatikou hovoříme o Imunologické bioinformatice (Immunological Bioinformatics), která používá metody bioinformatiky v imunologii [29]. Druhým směrem jsou Imunologické výpočty (Immunological Computation) [10]. V tomto případě je BIS jen metaforou, kdy se vybrané procesy BIS používají v řešení konkrétních problémů počítačové vědy. Je zřejmé, že (teoretická) imunologie a počítačová věda jsou si vzájemně prospěšné, viz. obr. 1.
Výše zmíněné vlastnosti BIS přitahují pozornost výzkumníků, kteří vyvíjejí inteligentní systémy. Je zřejmé, že BIS může vývoji takových systémů mnoho nabídnout, jen je přitom potřeba zvolit správnou míru abstrakce kvůli velké složitosti BIS a zároveň získat správný pohled na jeho fungování. Bez základních znalostí o BIS nelze nové přístupy a algoritmy vyvíjet.
Obr. 1. Imunologie a počítačová věda
2.3
Biologický imunitní systém jako metafora
UIS je adaptivní systém inspirovaný chováním BIS, resp. poznatky dosaženými v oblasti teoretické imunologie. Otázkou zatím zůstává, proč je BIS vhodnou metaforou pro řešení reálných problémů. BIS je komplexní systém udržující rovnováhu v organismu s pomocí různorodých imunitních orgánů, buněk a v interakci s dalšími systémy, zejména endokrinním a nervovým. BIS je adaptivní, autonomní, robustní a samo-organizující se systém, který rozpoznává antigeny - objekty schopné vyvolat imunitní odezvu. Mohou být součástí organismu (vlastní antigeny) nebo pocházejí z vnějšího prostředí (nevlastní antigeny) [16]. Díky schopnosti učit se může BIS zahájit rychlejší imunitní odezvu v případě opětovného napadení organismu stejným či podobným nepřítelem. Distribuovanost BIS se vyznačuje jeho všudypřítomností. Na BIS lze nahlížet z pohledu následujících dvou vrstev. Vrozená imunita je organismu dána od narození a je první linií obrany proti vetřelcům. Na rozdíl od získané imunity postrádá paměť a schopnost učit se. Adaptivní imunita je druhou linií obrany získaná během vývoje jedince se schopností specificky reagovat vůči novým objektům. K nejdůležitějším imunitním buňkám patří lymfocyty (bílé krvinky) typu B a T. B-buňky jsou producenti protilátek nebo fungují jako buňky paměťové schopné zapamatovat si objekty, které ohrozily organismus v minulosti. Tbuňky eliminují patogeny nebo regulují funkce ostatních imunitních buněk [2]. Každý z lymfocytů nese na svém povrchu receptory (u B-buněk protilátky), kterými je schopný, pokud funguje správně, rozpoznávat vlastní a nevlastní antigeny. Samotné rozpoznávání se u obou typů lymfocytů děje mírně odlišně.
2.4
Základní algoritmy umělého imunitního systému a jejich aplikace
2.4.1
Modely založené na funkci kostní dřeně
V 70. letech 20. st. imunologové řešili otázku původu obrovské různorodosti protilátek. Japonský molekulární biolog a imunolog S. Tonegawa zjistil, že tato různorodost je způsobena náhodným přeskupením (rekombinací) relativně malého počtu genových segmentů molekuly DNA (z tzv. genových knihoven), které kódují lehký a těžký řetězec imunoglobulinové molekuly1 [31]. Na diverzitě se dále podílí procesy somatické mutace genů variabilních částí imunoglobulinového řetězce [27]. Po těchto procesech se buňka stává mono-specifickou – je předurčena rozeznávat jednu konkrétní antigenní strukturu a tvořit potomky stejné specificity jako je ona sama. Obdobně je diverzita získána i u T-buněk. S. Tonegawa získal za svůj přínos roku 1987 Nobelovu cenu [33]. V rámci UIS se využívají modely založené na fungování kostní dřeně2 (Bone Marrow Models). Nejjednodušší a nejčastěji používaný model využívá pseudonáhodného generátoru čísel pro získání hodnot potenciálního řešení. Složitější model využívá genových knihoven, ze kterých se kombinují hodnoty různých datových typů pro získání kandidáta řešení problému. Cílem těchto modelů je obdržet co největší různorodost potenciálních řešení a to s malou časovou náročností na jejich generování a minimální spotřebou výpočetních zdrojů. Genové knihovny slouží spíš ke studiu BIS a jeho teoretických modelů [11], nicméně spolu s algoritmem klonální selekce, viz. 2.4.3, byly využity např. v rozvrhování výroby [6].
2.4.2
Pozitivní a negativní selekce
Pro efektivní fungování B a T-lymfocytů musí dozrát. Cesta k dosažení zralosti je spojena mj. s úspěšným absolvováním tzv. pozitivní a negativní selekce (PS, NS). PS testuje funkčnost jejich receptorů. Pozitivní selekcí 1 2
struktura protilátky; tvořen lehkým a těžkým řetězcem místo vzniku imunitních buněk
projdou ty buňky, které jsou schopné rozpoznat vlastní buňky organismu. Cílem NS je eliminovat auto-reaktivní buňky3. U NS jsou vybrány buňky nereagující s vlastními. PS (NS) probíhá u B-buněk v kostní dřeni, u T-buněk v brzlíku. Po selekcích lymfocyty putují do sekundárních lymfatických orgánů (např. lymfatických uzlin), kde se setkávají s antigeny a dále se diferencují, např. v příp. B-buněk na buňky paměťové [31]. Ve vztahu k UIS je znám algoritmus pozitivní selekce (APS) navržený P. E. Seidenem a F. Celadou a algoritmus negativní selekce (ANS) navržený S. Forrest a spolupracovníky [12]. Oba algoritmy mají dvě fáze: trénovací a monitorovací. V první fázi vybíráme vzory (detektory, lymfocyty), které svojí afinitou4 vůči trénovacím příkladům (vlastním antigenům) převýší určitý práh. V monitorovací fázi jsou vybrané detektory podrobovány testovacím datům (antigenům). U APS v první fázi vybíráme ty vzory, které jsou podobné trénovacím. U ANS v první fázi vybíráme vzory, které nejsou trénovacím podobné. Algoritmy ověřujeme, jestli můžeme považovat testovací data za nesprávná (poškozená) nebo jsou v pořádku. ANS je jedním z nejznámějších a nejpoužívanějších algoritmů, který nachází uplatnění např. v počítačové bezpečnosti při detekci anomálií, viz. např. [22]. ANS je zde použit k monitoringu provozu v síti LAN. Spojení mezi počítači je definováno trojicí: zdrojová IP adresa, cílová IP adresa a port, pomocí kterého počítače komunikují. Spojení běžně se vyskytující v počítačové síti je reprezentováno v UIS jako vlastní vzor (buňka). Dle ANS jsou náhodně vybrány detektory, které nerozpoznají tato normální spojení. V monitorovací fázi pak detekují přítomnost anomálního spojení. UIS se zde v podstatě učí rozpoznávat, které vzory (spojení) jsou normální, a které vykazují rysy anomální. Dizertační práce T. Stibora rozšiřuje oblast detekce anomálií (průniků do počítačových sítí) ve smyslu vhodnosti použití ANS [36]. D. Dasgupta a F. A. González se v práci [19] zabývají využitelností ANS v kombinaci s GA pro odlišení různých stupňů anomálnosti, které se mohou objevit v počítačové síti. ANS byl dále aplikován ve sledování letadla při letu za účelem detekce jeho případného poškození, viz. [9]. Práce [18] používá UNS v kombinaci s ANS v detekci poškození automobilu. Problematika rozpoznávání písma je rovněž řešitelná s pomocí ANS [32]. ANS je vhodný také pro optimalizační problémy, resp. např. pro plánování rozvrhu v univerzitním prostředí [30].
ANS (APS) ve své základní podobě nepočítá se změnami v trénovací množině dat (u vlastních buněk) i u detektorů. V příp. počítačové bezpečnosti je to celkem klíčový problém. ANS může hlásit mnoho pozitivních falešných poplachů, které mohou celý systém zahltit. Nicméně, ANS je vhodný pro malé, omezené problémy, ve kterých se trénovací data nemění a jejich množství je malé [20].
2.4.3
Klonální selekční algoritmus (AKS) je inspirován klonálním selekčním principem, který je součástí moderní imunologie. Autorem klonální selekční teorie (TKS) je australský virolog a imunolog, laureát Nobelovy ceny z r. 1960, sir F. M. Burnet [23]. Teorie vysvětluje, jak se tvoří protilátky proti antigenům. Na počátku máme kmenovou buňku, ze které vznikají ještě nedospělé Blymfocyty s receptory dané specificity. Tato specificita je dána geneticky (mutacemi) ještě před střetnutím se s antigenem, nikoliv až po setkání s ním5. B-buňky, které se naváží na vlastní buňky organismu, jsou eliminovány, jinak se stávají neaktivními B-buňkami čekajícími na antigen (klonální selekce) [37]. B-buňky, které se s ním setkají a rozpoznají ho, vytvoří klony stejné specificity jako jsou ony samy (klonální expanze). Během množení B-buněk probíhá mutace, která může zlepšit afinitu vůči antigenu (afinitní maturace) [4]. Tímto způsobem se tvoří paměť BIS. AKS přebírá z principu klonální selekce mechanismus klonální selekce, klonální expanze a afinitní maturaci realizovanou pomocí tzv. somatické hypermutace [1]. Můžeme na něj nahlížet jako na evoluční algoritmus podobný GA bez použití operátoru křížení. AKS je vhodný především pro optimalizační a klasifikační problémy. Jedním z nejznámějších algoritmů je CLONALG (CLONal selection ALGorithm) navržený L. de Castrem a F. J. Von Zubenem r. 2002. Používá se hlavně pro rozpoznávání a funkcionální optimalizaci [11]. CLONALG aplikovaný pro rozpoznávání vzorů pracuje s potenciálními řešeními (protilátkami), které jsou porovnávány se vzory (antigeny). Protilátka, která překročí svojí afinitou vůči vzoru práh, je vybrána pro klonování. Následně je podrobena hypermutaci. Nízkoafinní potenciální řešení jsou eliminována a nahrazena novými náhodně vygenerovanými. Tyto naklonované protilátky „bojují“ s ostatními o získání členství v další populaci. Separátně se v algoritmu pracuje s množinou tzv. paměťových buněk, která obsahuje konečné řešení. Cílem je získat co nejlepší protilátku (paměťovou buňku) 5
3
buňky reagující proti vlastním buňkám v organismu 4 síla asociace mezi srovnávanými objekty
Klonální selekční algoritmus
instruktivní teorie amerického molekulárního biologa a nositele Nobelovy ceny J. Lederberga tvrdí, že specificita protilátek je dána až po setkání s antigenem
pro každý antigen (vzor). CLONALG se dá použít např. pro rozpoznávání čísel, viz. [14]. Každé originální číslo (0 - 9) je vzorem (antigenem) reprezentovaným binárním řetězcem, ke kterému mají dané protilátky učením dospět. Množina paměťových buněk ze začátku obsahuje 10 náhodně vygenerovaných vzorů. Aplikací AKS se snažíme v každé iteraci získat co nejpodobnější strukturu pro předložený vzor (číslo). CLONALG-OPT je optimalizovaná verze CLONALGU. Pro určování podobnosti mezi potenciálními řešeními a originálními vzory nepoužívá afinitu, ale vypočítává fitness hodnotu. Explicitně nepracuje s množinou paměťových buněk. CLONALG-OPT lze použít např. pro řešení problému obchodního cestujícího, kde cílem je navštívit každé město právě jednou a vrátit se do startovní pozice s co nejmenšími náklady na cestu. Potenciální řešení (cesta) je protilátkou, která je řetězcem obsahující permutace měst, kde každé město má určitý celočíselný index. Aplikací CLONALG-OPT se snažíme získat optimální permutaci měst reprezentovanou danou protilátkou [14], [32]. Mezi další AKS patří např. Opt-IA používaný k predikci struktury proteinů [8] nebo aiNet, který je kombinací AKS a umělých imunitních sítí [13]. Lze ho použít k analýze dat. Další algoritmy založené na klonálním selekčním principu jsou zmíněny např. v [4].
2.4.4
Umělé imunitní sítě
Dánský imunolog a laureát Nobelovy ceny za fyziologii a medicínu N. K. Jerne roku 1974 představil hlavní myšlenky imunitní síťové teorie (teorii idiotypické sítě) (TIS) [26]. BIS je zde vnímán jako síť obsahující Bbuňky, které mezi sebou interagují. Cílem teorie bylo porozumět specifickým mechanismům BIS, např. iniciaci imunitní odezvy, paměti, učení a toleranci. Jedná se o konceptuálně odlišnou teorii oproti TKS. TKS předpokládá stimulaci B-buněk jen na základě střetu s antigeny, nikoliv jinými B-buňkami. Ve stejném roce N. K. Jerne prezentoval první model imunitní sítě. V roce 1987 J. D. Farmer spolu s kolegy vytvořil další imunitní síťový model [15]. Využil diferenciálních rovnic jako N. K. Jerne, ale zakomponoval do sítě nevlastní antigeny [12]. Další model vznikl r. 1991, jejímiž autory jsou F. Varela a A. Countinho. Jejich model zdůrazňuje tři klíčové rysy imunitních sítí: strukturu (spojení mezi elementy sítě), dynamiku (zajištěnou parametry sítě) a metadynamiku (přidávání a eliminace elementů do/ze sítě). Model neobsahuje vliv nevlastního antigenu. TIS je stále kontroverzní kvůli její experimentální průkaznosti. Nicméně již nyní významně přispívá k řešení problémů v počítačové vědě. Existují dvě základní skupiny modelů imunitních sítí – spojité a diskrétní. Spojité modely jsou založeny hlavně
na diferenciálních rovnicích a používány spíš pro porozumění BIS. Diskrétní síťové modely mají k UIS nejblíže. Byly vytvořeny pro řešení takových problémů jako rozpoznávání vzorů, analýzu dat, strojové učení nebo optimalizaci. Jsou nejčastěji založeny na diferenčních rovnicích a iterativních procedurách. Obě dvě skupiny vycházejí z TIS, ale liší se ve způsobech modelování a reprezentace imunitních buněk a doménových aplikacích. S. Cayzer vytvořil aplikaci, která je založena na upravené verzi imunitní sítě J. D. Farmera [5]. Jde o systém, který uživateli doporučí filmy, které by se mu mohly líbit a to na základě tzv. kolaborativní filtrace (KF). KF spočívá v doporučení relevantního filmu na základě podobných preferencí ostatních zájemců o filmy. Tato podobná skupina lidí může odhadnout, co by se uživateli, který žádá doporučení, mohlo líbit. Uživatel žádající doporučení je v aplikaci reprezentován jako antigen obsahující sadu hodnot ve formě: uživatel = {{id1, skóre1}, {id2, skóre2} {idn, skóren}}, kde id hodnota je identifikátor filmu a skóre je ohodnocení filmu. Ohodnocení filmů jsou součástí profilu uživatele, který se porovnává s preferencemi ostatních uživatelů. Afinita stanoví míru podobnosti mezi nimi [5]. Umělou imunitní síť lze také použít pro pohyb mobilních robotů [25] a jejich autonomní navigaci [28] nebo v rozpoznávání sekvencí DNA molekuly [24]. J. Timmis a M. Neal vytvořili r. 2002 síť RLAIS (Resource Limited Artificial Immune System), kterou aplikovali ve shlukové analýze dat [39]. Obdobné využití má síť aiNet navržená r. 2001 L. N. de Castrem a F. J. Von Zubenem [13]. Síť AISEC, vytvořená r. 2003 A. Seckerem s kolegy, byla použita pro klasifikaci emailů [34]. Další aplikace, spolu s porovnáním existujících umělých imunitních sítí, lze najít např. v [17].
3
Současnost a budoucnost
3.1
Algoritmy první generace
Od zahájení výzkumu v oblasti UIS uběhlo téměř 25 let. Během té doby vznikly na imunitě založené algoritmy dvou generací. Do kategorie algoritmů první generace řadíme APS, ANS, AKS s celou řadou modifikací. APS a ANS se osvědčily v detekci anomálií, resp. v řešení problémů souvisejících s počítačovou bezpečností a detekcí různých chyb v softwaru i hardwaru. AKS se osvědčil především v optimalizaci. Tyto selekční algoritmy se potýkají s problémem generování požadované diverzity detektorů. Zároveň ve své původní podobě předpokládají, že množina s vlastními i cizími buňkami se nemění. Umělé imunitní sítě se osvědčily v analýze dat, shlukové analýze a klasifikaci dat. Na
rozdíl od algoritmů selekčních předpokládají, dle teorie N. K. Jerneho, interakce mezi B-lymfocyty (detektory). Výše zmíněné algoritmy jsou i v současné době dále modifikovány. Druhá generace algoritmů směřuje více do budoucna a proto je zmíněna v následující podkapitole příspěvku.
3.2
Algoritmy druhé generace a budoucí směry ve výzkumu UIS
Většina současných algoritmů UIS je inspirována fungováním adaptivní vrstvy imunity člověka. Nelze popřít důležitost této složky BIS, ale vrozená imunita sehrává v udržování vnitřní rovnováhy organismu také svoji nezastupitelnou roli. První snahou ve využití vrozené imunity v UIS je tzv. dendritický algoritmus (DA), který je inspirován fungováním tzv. dendritických buněk (DB). Tyto buňky podávají „hlášení“ BIS v případě jeho napadení. DA je v podstatě metaheuristikou, která používá určité vstupní signály (heuristické aproximace toho, co je normální a anomální) k detekci anomálií pomocí korelace a klasifikace [20]. DA byl již použit jako klasifikátor ve strojovém učení a ve skenování počítačových portů. Algoritmus náleží druhé generaci algoritmů UIS. Je v raném stádiu vývoje a podrobován dalšímu zkoumání [21]. S výše uvedeným souvisí i výzkum BIS jiných organismů než obratlovců. BIS rostlin, stromů nebo bezobratlých živočichů ve spojení s počítačovou vědou by mohl přinést nové pohledy, přístupy a algoritmy. Tento směr výzkumu je zatím jen ve fázi teoretických úvah. Mnohokrát bylo výzkumníky UIS deklarováno, že tato oblast se dostala do slepé uličky [38]. Byl kladen nedostatečný důraz na vytvoření kvalitních teoretických základů pro UIS [38]. Až příliš rychle, byť i úspěšně, byly vytvářeny algoritmy UIS založené na celkem omezené množině vlastností charakterizujících BIS člověka. Chování BIS bylo v podání algoritmů UIS příliš zjednodušené. Tato „prostoduchá“ tendence výzkumu a aplikace UIS v řešení praktických problémů vedla výzkumníky k myšlence vytvoření všeobecného konceptuálního frameworku, který by stanovil určité systematické postupy v analýze a návrhu biologií inspirovaných systémů, resp. algoritmů [35]. Tento framework by měl být použitelný i na další přístupy, např. UNS, GA a další. Projekt Cosmos (Complex Systems Modelling and Simulation Infrastructure), který je realizován za účelem vývoje prostředí podporující modelování, simulaci a validaci komplexních systémů [7], je postaven na výše uvedeném frameworku. Z pohledu fungování BIS je zřejmé, že se nejedná o izolovaný systém. Pro zajišťování rovnováhy organismu
spolupracuje především se systémem nervovým a endokrinním. Jednou z výzev, nejen v oblasti UIS, je vytvoření umělého homeostatického systému (UHS), který by byl schopen efektivně reagovat na měnící se podmínky prostředí. Je zřejmé, že výzkum fungování těchto tří systémů v kooperaci může přispět v tvorbě robustních inteligentních systémů. UHS byl již navržen a první experimenty ověřující správnost návrhu se realizovaly a to s použitím robotického simulátoru WSU Khepera Robot Simulator a robota Khepera II Robot [40]. Experimenty ukázaly, že robot je schopný adaptivního chování v dynamickém prostředí s využitím subsymbolické reprezentace světa, nikoliv symbolické. Výzkum UHS v současné době pokračuje ve směru realizace komparativních analýz alternativních mechanismů inspirovaných biologií [40].
4
Shrnutí a závěr
Umělé imunitní systémy si získávají stále více svých příznivců. Zásluhu na tom má mj. komunita lidí seskupená okolo jedné z nejvýznamnějších evropských konferencí ICARIS konanou od roku 2002 a poměrně široké spektrum algoritmů a aplikací, které se v praxi prosadily. Tento příspěvek o nich podává přehled s důrazem na zdroje inspirace v chování biologického imunitního systému člověka a aplikační oblasti. Mapuje aktuální stav směrem k budoucímu výzkumu. Vývojové trendy zmíněné v knize [12] z roku 2002 zůstávají i nadále aktuální. Výzkum v UIS je zaměřen na zlepšování stávajících algoritmů, získávání nových metafor z fungování jednodušších BIS, než je BIS člověka, vývoj a praktické využívání všeobecného konceptuálního frameworku pro realizaci biologií inspirovaných systémů a nalézání nových aplikačních oblastí pro uplatnění UIS. Poděkování Tento příspěvek byl podpořen projektem GAČR DEMAPIAS – Rozhodovací procesy v autonomních systémech (Decision Making Processes in Autonomous Systems) č. 402/09/0662 a interním grantovým projektem AmIRRA – Ambientní inteligence a související výzkumné aktivity (Ambient Intelligence Related Research Activities) č. 2101/02.
Literatura [1]
U. Aickelin, D. Dasgupta: Artificial Immune Systems. Chapter 13. Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques. URL: http://ima.ac.uk/papers/aickelin2003.pdf
[2]
[3]
J. Bartůňková, A. Šedivá, E. Hölzelová: Primární imunodeficience. Příručka pro pacienty a jejich rodiny. Ústav imunologie 2. LF UK a FN Motol. Praha, 1999. URL: http://www.tigis.cz/Knihy/imuno/ H. Bersini, F. Varela: Hints for Adaptive Problem Solving Gleaned from Immune Networks. LNCS, vol. 496. Proceedings of the 1st Workshop on Parallel Problem Solving from Nature, pp. 343 – 354, Springer-Verlag London, 1990, ISBN 3-54054148-9.
Approach. Springer, 2002, ISBN 1-85233-594-7. [13] L. N. de Castro, F. J. Von Zuben: aiNet: An Artificial Immune Network for Data Analysis. 2001. URL: ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/lnu nes/DMHA.pdf [14] L. N. de Castro, F. J. Von Zuben: The Clonal Selection Algorithm with Engineering Applications. GECCO, pp. 36-37, Workshop on Artificial Immune Systems and Their Applications, 2000.
[4]
J. Brownlee: Clonal Selection Algorithms. CIS Technical Report 070209A, 2007. URL: http://www.ict.swin.edu.au/personal/jbrownlee/200 7/TR02-2007.pdf
[15] J. D. Farmer, N. H. Packard, A. S. Perelson: The immune system, adaptation, and machine learning. The Elsevier Science Publishers B. V. Amsterdam, The Netherlands, 1986.
[5]
S. Cayzer, U. Aickelin. A Recommender System based on Idiotypic Artificial Immune Networks. Journal of Mathematical Modelling and Algorithms, springer Netherlands, vol. 4, pp. 181 – 198, 2005.
[16] M. Ferenčík a kol.: Imunitní systém – informace pro každého. Grada Publishing, 2005, ISBN 80247-1196-6.
[6]
C. A. Coello Coello a kol.: Use of an Artificial Immune System for Job Shop Scheduling. Springer Berlin Heidelberg, vol. 278/2003. Artificial Immune Systems, 2003, pp. 1 – 10, ISBN 978-3540-40766-9.
[7]
Cosmos: project summary. 2010. URL: http://www.cosmos-research.org/cosmos/projectsummary/
[8]
V. Cutello, M. Pavone, J. Timmis: An Immune Algorithm for Protein Structure Prediction on Lattice Models. IEEE Transactions on Evolutionary Computation, 2006.
[9]
D. Dasgupta, a kol.: Negative Selection Algorithm for Aircraft Fault Detection. Springer Berlin Heidelberg, vol. 3239/2004, ISBN 978-3-54023097-7, ICARIS 2004.
[10] D. Dasgupta, L. F. Niño. Immunological Computation: Theory and Applications. CRC Press, 2009, ISBN: 978-1-4200-6545-9. [11] L. N. de Castro: Fundamentals of Natural Computing: Basic Concepts, Algorithms, and Applications. Chapman and Hall/CRC, 1. ed., 2006. ISBN 978-1584886433. [12] L. N. de Castro, J. Timmis: Artificial Immune Systems: A New Computational Intelligence
[17] J. C. Galeano, a kol.: A comparative analysis of artificial immune network models. GECCO 2005, pp. 361 - 368. [18] X. Z. Gao, a kol.: Negative Selection Algorithm with Application in Motor Fault Detection. Soft Computing Applications in Industry, pp. 93 – 115, vol. 226/2008, Springer Berlin/Heidelberg, ISBN 978-3-540-77464-8, 2008. [19] F. Gonzalez, D. Dasgupta: An Immunogenetic Technique to Detect Anomalies in Network Traffic. Proeeedings of the International Conference Genetic and Evolutionary Computation, 2002. [20] J. Greensmith, a kol.: Artificial Immune Systems. Handbook of Metaheuristics, 2nd edition, Springer, 2010. URL: http://ima.ac.uk/papers/greensmith2010.pdf [21] J. Greensmith, U. Aickelin, S. Cayzer: Introducing Dendritic Cells as a Novel Immune-Inspired Algorithm for Anomaly Detection. ICARIS 2005: 4th International Conference on Artificial Immune Systems, 2005. [22] S. A. Hofmeyr, S. Forrest: Immunity by Design: An Artificial Immune System. Proceedings of the Genetic and Evolutionary Computation Conference (GECCO), Morgan-Kaufmann, pp. 1289 – 1296, 1999.
[23] V. Hořejší, J. Bartůňková: Základy imunologie. Triton, vol. 4, 2009, ISBN 978-80-7387-280-9. [24] J. E. Hunt, D. E. Cooke: Learning using an artificial immune system. Journal of Network and Computer Applications, vol. 19, pp. 189 – 212, 1996. [25] S. Ichikawa, a kol.: A method of gait coordination of hexapod robots using immune networks. Artificial Life and Robotics, Springer Japan, vol. 2, 1998, pp. 19 – 23. [26] N. K. Jerne: Towards a Network Theory of the Immune System. Annales d'immunologie, vol. 125C, no. 1 – 2, pp. 373-389, 1974. [27] V. Krylov: Klonovaní pomocníci. Vesmír 79, srpen, 2000. URL: http://www.vesmir.cz/files/file/fid/2573/aid/333 [28] G.-Ch., Luh, W.-W., Liu: Reactive Immune Network Based Mobile Robot Navigation. Springer Berlin Heidelberg, vol. 3239/2004, pp. 119 – 132, ISBN 978-3-540-23097-7, 2004. [29] O. Lund a kol.: Immunological Bioinformatics (Computational Molecular Biology). The MIT Press, 2005, ISBN 978-0262122801. [30] M. R. Malim, a kol.: An immune-based approach to university course timetabling: Immune network algorithm. ICOCI 2006, pp. 1 – 6, ISBN 978-14244-0219-9. [31] J. Mokrý: Vývoj B-lymfocytů v primárních a sekundárních lymfatických orgánech. LF UK Hradec Králové, str. 111 – 115, 1997. URL: http://www.lfhk.cuni.cz/Data/files/Casopisy/1997/! LZ5-697.PDF [32] D. Neuwirth: Umělé imunitní výpočetní systémy. Bakalářská práce, VUT Brno, 2007. URL: http://www.neuwirth.name/res/DavidNeuwirth_Bac helorThesis.pdf [33] The Nobel Foundation: Susumu Tonegawa: The Nobel Prize in Physiology or Medicine 1978. URL: http://nobelprize.org/nobel_prizes/medicine/laureate s/1987/tonegawa-autobio.html [34] A. Secker, a kol.: AISEC: An Artificial Immune System for E-mail Classification. Proceedings of the Congress on Evolutionary Computation, pp. 131 – 139, IEEE, 2003.
[35] S. Stephney, R. E. Smith a kol.: The Conceptual Frameworks for Artificial Immune Systems. International Journal of Unconventional Computing, pp. 315 – 338, 2005. [36] T. Stibor: On the Appropriateness of Negative Selection for Anomaly Detection and Network Intrusion Detection. Dissertationsschrift, 2006. URL: http://www.sec.informatik.tudarmstadt.de/pages/staff/stibor/papers/dissertation_s tibor_ce4.pdf [37] J. Svršek: Molekulární biologie: Rozpoznávací obranné mechanismy. Intellectronics 1997. URL: http://natura.baf.cz/natura/1996/8/9608-6.html [38] J. Timmis: Artificial Immune Systems – Today and Tommorow. URL: http://wwwusers.cs.york.ac.uk/jtimmis/utm/Papers/aistt.pdf [39] J. Timmis, M. Neal: A Resource Limited Artificial Immune System for Data Analysis. URL: http://wwwusers.cs.york.ac.uk/jtimmis/papers/knowledgesys.p df [40] P. Vargas, a kol.: Artificial Homeostatic System: A Novel Approach. Springer Berlin Heidelberg, vol. 3630/2005, Advances In Artificial Life, 2005. ISBN 978-3-540-288848-0.
