При экологическом прогнозировании возникает задача идентификации, которая заключается в нахождении мощностей источников загрязнения по имеющимся экспериментальным данным. Данная задача представляет собой обратную задачу, для решения которой будет рассмотрено применение метода символьной регрессии. В качестве алгоритма решения задачи используется распределенная искусственная иммунная система. Искусственная иммунная система (ИИС) – модель, позволяющая решать различные задачи распознавания, ее концепция была заимствована из биологии Данная распределенная сеть может функционировать в любой гетерогенной среде, что достигается за счет использования кросс-платформенного языка программирования Python. ИИС демонстрирует возможность восстановления исходной функции в задаче идентификации, представлен график полученного решения для тестовых данных.
Искусственные иммунные системы, символьная регрессия, распределенные вычисления, задача идентификации в экологии.
I. Введение
Искусственная иммунная система (ИИС) – модель, позволяющая решать различные задачи распознавания, ее концепция была заимствована из биологии. Как и естественная иммунная система в организме, ИИС способна распознавать широкий класс входных данных. В данной задаче используется ИИС для решения задачи символьной регрессии. Ее элементарными элементами являются лимфоциты, представляющие собой различные функции в виде деревьев выражений. К лимфоцитам в течение всего функционирования искусственной иммунной системы применяются различные операции мутации, но при этом поддерживается постоянный размер сети, что достигается удалением плохо приспособленных лимфоцитов, целевая функция (функция приспособленности) называется аффинностью.
Аффинностью будем пользоваться для оценки операций. Распределенность достигается существованием различных искусственных иммунных систем на различных вычислительных узлах, которые обмениваются накопленной информацией.
Одноранговая, децентрализованная или пиринговая сеть – это компьютерная сеть, основанная на равноправии участников. В такой сети отсутствуют выделенные серверы, а каждый узел (peer) является как клиентом, так и сервером. В отличие от архитектуры клиент-сервер, такая организация позволяет сохранять работоспособность сети при любом количестве и любом сочетании доступных узлов.
Искусственные иммунные системы – наиболее молодая отрасль искусственного интеллекта [2, 9]. Они применяются для решения различных задач [3, 11], среди которых разнообразные задачи оптимизации [4], распознавания [6], управление автономными роботами [7]. В данной статье искусственная иммунная система применяется для решения задачи символьной регрессии [8], к которой сводится задача идентификации в экологии. Эта задача состоит в восстановлении функций мощности источников загрязнения по показаниям датчиков [1]. Для ускорения решения используется распределенная версия искусственной иммунной системы.
1. Васильев, А. Н. Параметрические нейросетевые модели построения регуляризации решения задачи идентификации в экологии [Текст] / А. Н. Васильев, Д. А. Тархов // Современные информационные технологии и ИТ-образование. - 2014. - Т. 1. - № 1 (9). - С. 470-475.
2. Искусственные иммунные системы и их применение [Текст] : сб. статей / под ред. Д. Дасгупты - М. : Физматлит, 2006 - 344 с.
3. Dasgupta, D. Recent Advances in Artificial Immune Systems: Models and Applications / D. Dasgupta, S. Yua, F. Nino // Applied Soft Computing. - 2011. - Vol. 11.- P. 1574-1587.
4. Freschi, F. Multiobjective optimisation by a modified artificial immune system / F. Freschi, M. Repetto // Artificial Immune Systems. - 2005. - P. 248-261
5. Hoai, N.X. Solving the symbolic regression problem with tree-adjunct grammar guided genetic programming: the comparative results / N.X. Hoai, R.I. McKay, D. Essam // Evolutionary Computation, CEC ´02. Proceedings of the 2002 Congress. - 2002. - Vol. 2.- P.1326-1331.
6. Hunt, I.E. Learning using an artificial immune system / I. E. Hunt, D. E. Cooke // Journal of Network and Computer Applications. - 1996. - Vol. 19. - P. 189-212.
7. Ishiguro, A. A Robot with a Decentralized Consensus-Making Mechanism Based on the Immune System / A. Ishiguro, Y. Watanabe, T. Kondo // Proceedings of ISADS. - 1997. - P. 231-237.
8. Johnson, C.G. Artificial Immune Systems Programming for Symbolic Regression / C. G. Johnson // Genetic Programming: 6th European Conference. - 2003. - P. 345-353.
9. Kephart, J. O. A biologically inspired immune system for computers / J. O. Kephart // Proceedings of Artificial Life IV: The Fourth International Workshop on the Synthesis and Simulation of Living Systems. - 1994. - P. 130-139.
10. Schollmeier, R. A Definition of Peer-to-Peer Networking for the Classification of Peer-to-Peer Architectures and Applications / R. Schollmeier // Proceedings of the First International Conference on Peer-to-Peer Computing, IEEE. - 2001. - P. 101-102.
11. Timmis, J. Application areas of AIS: The past, the present and the future / E. Hart, J. Timmis // Applied Soft Computing. - 2008. - Vol. 8. - P. 191-201.
12. Bardeen, M. Survey of Methods to Prevent Premature Convergence in Evolutionary Algorithms / M. Bardeen // Workshop of Natural Computing, Jornadas Chilenas de Computacion. - 2013. - P. 13-15.
13. Barkai, D. Peer-to-Peer Computing / D. Barkai. - Santa Clara: Intel Press, 2002. - 78 p.
14. Bennett, K. A Genetic Algorithm for Database Query Optimization / K. Bennett, M. C. Ferris, Y. E. Ioannidis // Proceedings of the fourth International Conference on Genetic Algorithms. - 1991. - P. 400-407.
15. Bersini, H. The Endogenous Double Plasticity of the Immune Network and the Inspiration to be drawn for Engineering Artifacts / H. Bersini // Artificial Immune Systems and Their Applications. - 1999. - P. 22-44.
