1 / 233

Algorytmy immunologiczne

Algorytmy immunologiczne. Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl. Algorytmy immunologiczne. Warunki zaliczenia: Wykład – 18 h : 6 x 3 h Laboratoria – 18 h : 6 x 3 h. Algorytmy immunologiczne.

erol
Télécharger la présentation

Algorytmy immunologiczne

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Algorytmy immunologiczne Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl

  2. Algorytmy immunologiczne Warunki zaliczenia: Wykład – 18 h : 6 x 3 h Laboratoria – 18 h : 6 x 3 h

  3. Algorytmy immunologiczne MichałBereta: Application of Artificial Immune Systems to Classification and Data Analysis (2008) PawełJarosz: Sztuczne systemyimmunologiczne i teoria gierw optymalizacji wielokryterialnej (2011)

  4. Algorytmy immunologiczne Literatura: “Sztuczne Systemy Immunologiczne. Teoria i Zastosowania”, Sławomir T. Wierzchoń (2001)

  5. Algorytmy immunologiczne Literatura: “Artificial Immune Systems and Their Applications”, DipankarDasgupta (Editor), 1998 “Artificial Immune Systems: A New Computational Intelligence Approach”, Leandro Nunes de Castro, Jonathan Timmis, 2002

  6. Algorytmy immunologiczne Literatura: “Immunity-Based Systems: A Design Perspective”, Yoshiteru Ishida (2004) “Immunocomputing: Principles and Applications”, A. O. Tarakanov, Victor A. Skormin, Svetlana P. Sokolova, Svetlana S. Sokolova (2003)

  7. Algorytmy immunologiczne Literatura: “Handbook of Research on Artificial Immune Systems and Natural Computing: Applying Complex Adaptive Technologies”, Hongwei Mo (2009) “Immunological Computation: Theory and Applications”, DipankarDasgupta, Fernando Nino (2008)

  8. Algorytmy immunologiczne Literatura: „Algorytmy genetyczne + struktury danych = programy ewolucyjne”, MICHALEWICZ ZBIGNIEW „Jak to rozwiązać czyli nowoczesna heurystyka”, MICHALEWICZ ZBIGNIEW „Wykłady z algorytmów ewolucyjnych”, Jarosław Arabas

  9. Algorytmy immunologiczne Literatura: David Hand, HeikkiMannila, PadhraicSmyth, „Eksploracja danych”, Wydawnictwa Naukowo-Techniczne Leszek Rutkowski, „Metody i techniki sztucznej inteligencji.” Wydawnictwo Naukowe PWN

  10. Algorytmy immunologiczne http://www.artificial-immune-systems.org/

  11. Algorytmy immunologiczne http://www.elec.york.ac.uk/ARTIST/

  12. Algorytmy immunologiczne http://www.artificial-immune-systems.org/icaris/2012/index.php

  13. Algorytmy immunologiczne

  14. Algorytmy immunologiczne Zakres tematów: • Podstawowe pojęcia algorytmów ewolucyjnych • Klasyczny algorytm genetyczny • Podejście ewolucyjne w rozwiązywaniu problemów • Projektowanie algorytmów ewolucyjnych • Rodzaje algorytmów ewolucyjnych • Optymalizacja wielokryterialna • Systemy koewolucyjne

  15. Algorytmy immunologiczne Zakres tematów: • Podstawowe zagadnienia immunologii. • Rodzaje sztucznych limfocytów wykorzystywane w algorytmach immunologicznych. • Podstawowe paradygmaty sztucznych systemów immunologicznych • selekcja negatywna, • selekcja klonalna, • sieć idiotypowa, • teoria zagrożeń. • Porównanie sztucznych systemów immunologiczny (SSI) z innymi algorytmami ewolucyjnymi. • Porównanie sieci idiotypowej z sieciami neuronowymi.

  16. Algorytmy immunologiczne Zakres tematów: • Podstawowe algorytmy immunologiczne: CLONALG, AIRS, itp. • Zastosowania SSI w problemach optymalizacji. • Zastosowanie SSI w problemach klasyfikacji. • Zastosowanie SSI w problemach analizy danych. • Zastosowanie SSI w bezpieczeństwie komputerowym i sieciowym. • Algorytmy immunologiczne do rozwiązywania problemów optymalizacji wielokryterialnej.

  17. Algorytmy immunologiczne Zakres tematów (laboratorium): • Implementacjawybranychalgorytmówimmunologicznychiichzastosowanie do problemów • optymalizacji • klasyfikacji • Porównanie alg. immunologiczych z tradycyjnymialgorytmamiewolucyjnymi

  18. Algorytmy immunologiczne Algorytmyimmunologicznemożnatraktowaćjako: • algorytmewolucyjny • swarm intelligence

  19. Algorytmy immunologiczne Swarm intelligence (Wikipedia) • Altruismalgorithm • Ant colony optimization • Artificialbee colony algorithm • Artificialimmune systems • Bat algorithm • Charged system search • Cuckoosearch • Differentialsearchalgorithm • Fireflyalgorithm • Magneticoptimizationalgorithm • Gravitationalsearchalgorithm • Intelligentwater drops • Krillherdalgorithm • Multi-swarmoptimization • Particleswarmoptimization • River formationdynamics • Self-propelledparticles • Stochasticdiffusionsearch

  20. Algorytm idealny Nie ma idealnego algorytmu optymalizacji, który byłby najlepszy w każdym zadaniu. Wolpert i Macready No Free Lunch Theorems (NLF theorems) Jeśli algorytm A jest lepszy od algorytmu B w poszukiwaniu optimum w pewnym zadaniu poszukiwania, wtedy algorytm B będzie lepszy od A w pewnym innym zadaniu.

  21. Algorytm idealny Nie ma idealnego algorytmu optymalizacji, który byłby najlepszy w każdym zadaniu. Wolpert i Macready No Free Lunch Theorems (NLF theorems) Biorąc pod uwagę wszystkie możliwe problemy poszukiwania, średnia jakość wszystkich algorytmów poszukiwania jest taka sama (niezależnie od algorytmu). Czy zatem nie ma sensu opracowywanie nowych algorytmów ?

  22. Algorytm idealny Twierdzenie to było udowodnione dla problemów z jedną funkcją celu.

  23. Trudności w rozwiązywaniu problemów • Liczba możliwych rozwiązań w przestrzeni poszukiwania jest tak duża, że nie można zastosować przeszukiwania wyczerpującego • Problem jest tak skomplikowany, że aby otrzymać jakiekolwiek rozwiązanie musimy stosować tak uproszczone modele, że żadne otrzymane rozwiązanie nie jest praktycznie użyteczne

  24. Trudności w rozwiązywaniu problemów • Funkcja oceny, która opisuje jakość dowolnego rozwiązania jest zakłócana lub zmienia się w czasie – wymagany jest szereg rozwiązań • Możliwe rozwiązania są mocno ograniczone – trudno wygenerować choć jedno dopuszczalne rozwiązanie, a co dopiero optymalne • Psychologiczne – nawyki myślenia pewnymi kategoriami, schematy, itp.

  25. Trudności w rozwiązywaniu problemów Problem Model Rozwiązanie Jak bardzo uproszczony może być model, by rozwiązanie było wciąż użyteczne?

  26. Trudności w rozwiązywaniu problemów Problem Model Rozwiązanie • Co jest lepsze: • Dokładne rozwiązanie przybliżonego (czyli prostszego) modelu • czy • - Przybliżone rozwiązanie dokładnego modelu?

  27. Trudności w rozwiązywaniu problemów • Rozwiązania optymalne nie są wymagane! • W praktyce priorytetem jest posiadanie dobrego, lecz niekoniecznie optymalnego rozwiązania, lecz odpowiednio szybko – np. przed konkurencją

  28. Problemy optymalizacji D - minimum globalne F – minimum lokalne

  29. Problemy optymalizacji Początkowe, losowe rozwiązanie D - minimum globalne F – minimum lokalne

  30. Problemy optymalizacji Informacja o gradiencie pozwala lokalnie podejmować dobre decyzje Początkowe, losowe rozwiązanie D - minimum globalne F – minimum lokalne

  31. Problemy optymalizacji Informacja o gradiencie pozwala lokalnie podejmować dobre decyzje Kolejne, ulepszone rozwiązanie D - minimum globalne F – minimum lokalne

  32. Problemy optymalizacji Informacja o gradiencie pozwala lokalnie podejmować dobre decyzje Kolejne, ulepszone rozwiązanie D - minimum globalne F – minimum lokalne

  33. Problemy optymalizacji Informacja o gradiencie pozwala lokalnie podejmować dobre decyzje Kolejne, ulepszone rozwiązanie D - minimum globalne F – minimum lokalne

  34. Problemy optymalizacji Co się stanie, jeśli źle wystartujemy? D - minimum globalne F – minimum lokalne

  35. Problemy optymalizacji Co się stanie, jeśli źle wystartujemy? Algorytmy zachłanne mają skłonność do „utykania” w minimach lokalnych.

  36. Algorytmy zachłanne Algorytm zachłanny przetwarza jedno rozwiązanie, które iteracyjnie jest ulepszane – poszukiwania odbywają się jedynie w jego bezpośrednim otoczeniu (sąsiedztwie). Wielokrotne uruchomienie algorytmu zachłannego lub równoległe uruchomienie wielu instancji tego algorytmu nie jest równoważne przetwarzaniu populacyjnemu.

  37. Algorytmy zachłanne Algorytmy zachłanne: • Symulowane wyżarzanie • Algorytmy k-optymalne

  38. Definicja Algorytmu Ewolucyjnego Algorytm ewolucyjny to algorytm przetwarzający populację rozwiązań poprzez wykorzystanie mechanizmów selekcji oraz operatorów różnicowania.

  39. Definicja Algorytmu Ewolucyjnego Wnioski: • Rozwiązania w populacji oddziałują na siebie

  40. Definicja Algorytmu Ewolucyjnego Wnioski: • Rozwiązania w populacji oddziałują na siebie • Lepsze mają większe szanse na „przeżycie”

  41. Definicja Algorytmu Ewolucyjnego Wnioski: • Rozwiązania w populacji oddziałują na siebie • Lepsze mają większe szanse na „przeżycie” • By dokonać selekcji istnieje potrzeba oceny rozwiązań – funkcja oceny, jakości, przystosowania

  42. Definicja Algorytmu Ewolucyjnego Wnioski: • Rozwiązania w populacji oddziałują na siebie • Lepsze mają większe szanse na „przeżycie” • By dokonać selekcji istnieje potrzeba oceny rozwiązań – funkcja oceny, jakości, przystosowania • Kolejne rozwiązania (pokolenia), po zastosowaniu mechanizmów różnicowania, powinny zawierać część informacji rodziców.

  43. Algorytmy Ewolucyjne • Algorytmy Genetyczne • Strategie ewolucyjne • Programowanie genetyczne • Komitety klasyfikatorów • Algorytmy mrówkowe, mrowiskowe • Algorytmu rojowe • Sztuczne systemy immunologiczne • Inne…

  44. Cechy algorytmów ewolucyjnych • Przetwarzanie populacyjne • Nie jest wymagana informacja o gradiencie • Zdolność do radzenia sobie z pułapkami lokalnych optimów – zależy od konkretnego zadania i dobrego doboru parametrów algorytmu • Podejście bardzo ogólne i elastyczne • Mogą działać na dowolnej reprezentacji

  45. Cechy algorytmów ewolucyjnych • Łatwość implementacji • Stworzyć populację • Ocenić osobniki • Wprowadzić nacisk selekcyjny • Zastosować operatory różnicowania • Powtarzać „pętlę ewolucyjną”

  46. Cechy algorytmów ewolucyjnych • Pojęcie bardzo szerokie – inne algorytmy mogą być rozważane w kontekście AE (np. symulowane wyżarzanie – populacja z jednym osobnikiem, różnicowanie parametryzowane temperaturą) • Ustalanie odpowiednich wartości parametrów algorytmu ewolucyjnego może być częścią samego algorytmu – np. strategie ewolucyjne

  47. Cechy algorytmów ewolucyjnych • Możliwość rozwiązywania problemów zmieniających się w czasie – są to algorytmy adaptacyjne • Możliwość tworzenie modeli koewolucyjnych – osobniki nie muszą być oceniane za pomocą funkcji przystosowani, a jedynie są porównywane na zasadzie „lepszy - gorszy” • Możliwość łączenia z innymi metodami

  48. Cechy algorytmów ewolucyjnych • Równoległość – możliwości wydajnych implementacji • Możliwości rozszerzania o nowe koncepcje: • Wiek osobnika • Płeć • Pamięć (tzw. Algorytmy kulturowe) • Rodziny • Uczenie społeczne • Konkurencja między populacjami • Migracje osobników między nimi • Efekt Baldwina – uczenie się osobników w trakcie swego życia i wpływ tego uczenia na jakość rozwiązania

More Related