The negative selection algorithm developed by Forrest et al. was inspired by the manner in which T-cell lymphocytes mature within the thymus before being released into the blood system. The resultant T-cell lymphocytes, which are then released into the blood, exhibit an interesting characteristic: they are only activated by non-self cells that invade the human body. The work presented in this thesis examines the current body of research on the negative selection theory and introduces a new affinity threshold function, called the feature-detection rule. The feature-detection rule utilises the inter-relationship between both adjacent and non-adjacent features within a particular problem domain to determine if an artificial lymphocyte is activated by a particular antigen. The performance of the feature-detection rule is contrasted with traditional affinity-matching functions currently employed within negative selection theory, most notably the r-chunks rule (which subsumes the r-contiguous bits rule) and the hamming-distance rule. The performance will be characterised by considering the detection rate, false-alarm rate, degree of generalisation and degree of overfitting. The thesis will show that the feature-detection rule is superior to the r-chunks rule and the hamming-distance rule, in that the feature-detection rule requires a much smaller number of detectors to achieve greater detection rates and less false-alarm rates. The thesis additionally refutes that the way in which permutation masks are currently applied within negative selection theory is incorrect and counterproductive, while placing the feature-detection rule within the spectrum of affinity-matching functions currently employed by artificial immune-system (AIS) researchers. / Dissertation (MSc)--University of Pretoria, 2009. / Computer Science / Unrestricted

No description available.

Vários problemas do mundo real podem ser analisados como problemas de otimização. Na bioinformática, em especial, como exemplos podem ser citados o alinhamento múltiplo de sequências, a filogenia, a predição de estruturas de proteínas e RNA, entre outros. As Meta-heurísticas Populacionais (MhP) são técnicas baseadas em interações de conjuntos de soluções candidatas, como elementos de uma população, utilizadas na otimização de funções. Seu uso é especialmente interessante na otimização de problemas onde há conhecimento parcial ou nenhum do espaço de busca. O objetivo deste trabalho é investigar o uso de auto-organização da população de um sistema imunológico artificial (AIS) a fim de aplicá-lo no problema de docking, que pode ser visto como um problema de otimização multimodal complexo. O AIS é um tipo de MhP inspirado na microevolução do sistema imunológico adaptativo de organismos complexos. Neste, as soluções candidatas representam células do sistema imunológico que busca se adaptar para a eliminação de um patógeno. O desenvolvimento do algoritmo foi baseado no opt-aiNet, que utiliza dos princípios das teorias de seleção clonal e maturação de afinidade para realizar a otimização de funções. Adicionalmente, o opt-aiNet, inspirado na teoria de redes imunológicas, realiza uma etapa de supressão, que busca eliminar soluções semelhantes, aumentando assim a diversidade populacional. Esta etapa é computacionalmente custosa, dado que é feito o cálculo da distância entre todos os possíveis pares de células (soluções) afim de eliminar aquelas próximas de acordo com um dado critério. A proposta deste trabalho é o desenvolvimento de um algoritmo de supressão auto-organizável, inspirado no fenômeno da criticalidade auto-organizada, buscando diminuir a influência da seleção de parâmetros e a complexidade da etapa de supressão. O algoritmo proposto foi testado em um conjunto de funções contínuas conhecidas e comumente utilizadas pela comunidade de computação evolutiva. Os resultados obtidos foram comparados com aqueles de uma implementação do opt-aiNet. Em adição, foi proposta a utilização de operadores de mutação com distribuição q-gaussiana nos AISs desenvolvidos. O algoritmo foi também aplicado no problema de docking rígido baseado em complementaridade de superfícies e minimização de colisões, especificamente no docking de proteínas. Os resultados foram comparados com aqueles de um algoritmo genético, resultando em um melhor desempenho obtido pelo algoritmo proposto. / Many real world problems can be described as optimization problems. In bioinformatics in special, there is multiple sequence alignment, filogeny and RNA and Protein structure prediction, among others. Population based metaheuristics are techniques based in the interaction of a set of candidate solutions as elements of a population. Its use is specially interesting in optimization problems where there is little or no knowledge of the search space. The objective of this work is to study the use of self-organization of population in an artificial imune system for use in the docking problem, considered a complex multimodal optimization problem. The artificial imunme system is a type of population based methaheuristics inspired in the microevolution of the adaptive immune system of complex organisms. Candidate solutions represent cells of the immune system adapting its antibodies to eliminate a pathogen. The development of the algorithm was based in the opt-aiNet, based in the principles of clonal selection and affinity maturation for function optimization. Additionally, the opt-aiNet, inspired in theories of immune network, makes a suppression stage to eliminate similiar solutions and control diversity. This stage is computationally expensive as it calculates the distance between every possible pair of cells (solutions) eliminating those closer than a threshold. This work proposes a self-organized suppression algorithm inspired in the self-organized criticality, looking to minimize the influence of parameter selection and complexity of the suppression stage in opt-aiNet. The proposed algorithm was tested in a set of well-known functions in the evolutionary computation community. The results were compared to those of an implementation of the opt-aiNet. In addition, we proposed a mutation operator with q-Gaussian distribution for the artificial immune systems. The algorithm was then applied in the rigid protein docking problem based in surface complementarity and colision avoidance. The results were compared with a genetic algorithm and achieved a better performance.

Artificial immune systems (AIS), biologically inspired from natural immune functions, can be reactive as well as adaptive in handling generic and varying pathogens, respectively. Researchers have used the immunological metaphors to solve science and engineering problems where unknown/unexpected scenarios are plausible. AIS can be a suitable choice for various robotic applications requiring reactive and/or deliberative control. This research aims to translate modern trends in immunology, to develop an immunity-based framework, to control a team of heterogenous robots on varying levels of task allocation and mutual interactions. The presented framework is designed to work as a multi-agent system in which safe environment is treated reactively through innate immunity, whereas unsafe situations invoke adaptive part of immune system, simultaneously. Heterogeneity is defined in terms of different sensing and/or actuation capabilities as well as in terms of different behavior-sets robot(s) possess. Task allocation ranges from primitive to advanced behaviors. Mutual interactions, on the other hand, range from simpler one-to-one interaction to mutual coordination. In this context, a new immunity-based algorithm has been developed & tested, combining innate and adaptive immunities, to regulate cell populations and corresponding maturations, along with internal health indicators, in order to effectively arbitrate behaviors/robots in a heterogenous robotic system, in environments that are dynamic and unstructured. / text

Neste trabalho é analisada a aplicação da técnica de Sistemas Imunológicos Artificiais (SIA) a um problema do mundo real: como predizer fraudes e furtos de energia elétrica. Vários trabalhos tem mostrado que épossível detectar padrões de dados anormais a partir dos dados de consumidores de energia elétrica e descobrir problemas como fraude e furto. Sistemas Imunológicos Artificiais é um ramo recente da Inteligência Computacional e tem diversas possíveis aplicações, sendo uma delas o reconhecimento de padrões. Mais de um algoritmo pode ser empregado para criar um SIA; no escopo deste trabalho será empregado o algoritmo Clonalg. A eficácia deste algoritmo é medida e comparada com a de outros métodos de classificação. A amostra de dados usada para validar este trabalho foi fornecida por uma companhia de energia elétrica. Os dados fornecidos foram selecionados e transformados com o objetivo de eliminar redundância e normalizar valores. / In this paper, we analyze the application of an Artificial Immune System (AIS) to a real world problem: how to predict electricity fraud and theft. Various works have explained that it is possible to detect abnormal data patterns from electricity consumers and discover problems like fraud and theft. Artificial Immune Systems is a recent branch of Computational Intelligence and has several possible applications, one of which is pattern recognition. More than one algorithm can be employed to create an AIS; we selected the Clonalg algorithm for our analysis. The efficiency of this algorithm is measured and compared with that of other classifier methods. The data sample used to validate this work was provided by an electrical energy company. The provided data were selected and transformed with the aim of eliminating redundant data and to normalize values.

Neste trabalho é analisada a aplicação da técnica de Sistemas Imunológicos Artificiais (SIA) a um problema do mundo real: como predizer fraudes e furtos de energia elétrica. Vários trabalhos tem mostrado que épossível detectar padrões de dados anormais a partir dos dados de consumidores de energia elétrica e descobrir problemas como fraude e furto. Sistemas Imunológicos Artificiais é um ramo recente da Inteligência Computacional e tem diversas possíveis aplicações, sendo uma delas o reconhecimento de padrões. Mais de um algoritmo pode ser empregado para criar um SIA; no escopo deste trabalho será empregado o algoritmo Clonalg. A eficácia deste algoritmo é medida e comparada com a de outros métodos de classificação. A amostra de dados usada para validar este trabalho foi fornecida por uma companhia de energia elétrica. Os dados fornecidos foram selecionados e transformados com o objetivo de eliminar redundância e normalizar valores. / In this paper, we analyze the application of an Artificial Immune System (AIS) to a real world problem: how to predict electricity fraud and theft. Various works have explained that it is possible to detect abnormal data patterns from electricity consumers and discover problems like fraud and theft. Artificial Immune Systems is a recent branch of Computational Intelligence and has several possible applications, one of which is pattern recognition. More than one algorithm can be employed to create an AIS; we selected the Clonalg algorithm for our analysis. The efficiency of this algorithm is measured and compared with that of other classifier methods. The data sample used to validate this work was provided by an electrical energy company. The provided data were selected and transformed with the aim of eliminating redundant data and to normalize values.

Neste trabalho é analisada a aplicação da técnica de Sistemas Imunológicos Artificiais (SIA) a um problema do mundo real: como predizer fraudes e furtos de energia elétrica. Vários trabalhos tem mostrado que épossível detectar padrões de dados anormais a partir dos dados de consumidores de energia elétrica e descobrir problemas como fraude e furto. Sistemas Imunológicos Artificiais é um ramo recente da Inteligência Computacional e tem diversas possíveis aplicações, sendo uma delas o reconhecimento de padrões. Mais de um algoritmo pode ser empregado para criar um SIA; no escopo deste trabalho será empregado o algoritmo Clonalg. A eficácia deste algoritmo é medida e comparada com a de outros métodos de classificação. A amostra de dados usada para validar este trabalho foi fornecida por uma companhia de energia elétrica. Os dados fornecidos foram selecionados e transformados com o objetivo de eliminar redundância e normalizar valores. / In this paper, we analyze the application of an Artificial Immune System (AIS) to a real world problem: how to predict electricity fraud and theft. Various works have explained that it is possible to detect abnormal data patterns from electricity consumers and discover problems like fraud and theft. Artificial Immune Systems is a recent branch of Computational Intelligence and has several possible applications, one of which is pattern recognition. More than one algorithm can be employed to create an AIS; we selected the Clonalg algorithm for our analysis. The efficiency of this algorithm is measured and compared with that of other classifier methods. The data sample used to validate this work was provided by an electrical energy company. The provided data were selected and transformed with the aim of eliminating redundant data and to normalize values.

Vários problemas do mundo real podem ser analisados como problemas de otimização. Na bioinformática, em especial, como exemplos podem ser citados o alinhamento múltiplo de sequências, a filogenia, a predição de estruturas de proteínas e RNA, entre outros. As Meta-heurísticas Populacionais (MhP) são técnicas baseadas em interações de conjuntos de soluções candidatas, como elementos de uma população, utilizadas na otimização de funções. Seu uso é especialmente interessante na otimização de problemas onde há conhecimento parcial ou nenhum do espaço de busca. O objetivo deste trabalho é investigar o uso de auto-organização da população de um sistema imunológico artificial (AIS) a fim de aplicá-lo no problema de docking, que pode ser visto como um problema de otimização multimodal complexo. O AIS é um tipo de MhP inspirado na microevolução do sistema imunológico adaptativo de organismos complexos. Neste, as soluções candidatas representam células do sistema imunológico que busca se adaptar para a eliminação de um patógeno. O desenvolvimento do algoritmo foi baseado no opt-aiNet, que utiliza dos princípios das teorias de seleção clonal e maturação de afinidade para realizar a otimização de funções. Adicionalmente, o opt-aiNet, inspirado na teoria de redes imunológicas, realiza uma etapa de supressão, que busca eliminar soluções semelhantes, aumentando assim a diversidade populacional. Esta etapa é computacionalmente custosa, dado que é feito o cálculo da distância entre todos os possíveis pares de células (soluções) afim de eliminar aquelas próximas de acordo com um dado critério. A proposta deste trabalho é o desenvolvimento de um algoritmo de supressão auto-organizável, inspirado no fenômeno da criticalidade auto-organizada, buscando diminuir a influência da seleção de parâmetros e a complexidade da etapa de supressão. O algoritmo proposto foi testado em um conjunto de funções contínuas conhecidas e comumente utilizadas pela comunidade de computação evolutiva. Os resultados obtidos foram comparados com aqueles de uma implementação do opt-aiNet. Em adição, foi proposta a utilização de operadores de mutação com distribuição q-gaussiana nos AISs desenvolvidos. O algoritmo foi também aplicado no problema de docking rígido baseado em complementaridade de superfícies e minimização de colisões, especificamente no docking de proteínas. Os resultados foram comparados com aqueles de um algoritmo genético, resultando em um melhor desempenho obtido pelo algoritmo proposto. / Many real world problems can be described as optimization problems. In bioinformatics in special, there is multiple sequence alignment, filogeny and RNA and Protein structure prediction, among others. Population based metaheuristics are techniques based in the interaction of a set of candidate solutions as elements of a population. Its use is specially interesting in optimization problems where there is little or no knowledge of the search space. The objective of this work is to study the use of self-organization of population in an artificial imune system for use in the docking problem, considered a complex multimodal optimization problem. The artificial imunme system is a type of population based methaheuristics inspired in the microevolution of the adaptive immune system of complex organisms. Candidate solutions represent cells of the immune system adapting its antibodies to eliminate a pathogen. The development of the algorithm was based in the opt-aiNet, based in the principles of clonal selection and affinity maturation for function optimization. Additionally, the opt-aiNet, inspired in theories of immune network, makes a suppression stage to eliminate similiar solutions and control diversity. This stage is computationally expensive as it calculates the distance between every possible pair of cells (solutions) eliminating those closer than a threshold. This work proposes a self-organized suppression algorithm inspired in the self-organized criticality, looking to minimize the influence of parameter selection and complexity of the suppression stage in opt-aiNet. The proposed algorithm was tested in a set of well-known functions in the evolutionary computation community. The results were compared to those of an implementation of the opt-aiNet. In addition, we proposed a mutation operator with q-Gaussian distribution for the artificial immune systems. The algorithm was then applied in the rigid protein docking problem based in surface complementarity and colision avoidance. The results were compared with a genetic algorithm and achieved a better performance.

This thesis deals with various methods used for spam detection and identification. In the introduction various methods are described. Then Bayes' theorem and methods for spam detection that use this theorem are described in detail. This section also discusses biological and artificial immune systems and methods for spam detection based on artificial immune systems. Next sections contain the description of custom spam detection system design and implementation. Finally the system is tested and the results are evaluated.

The natural immune system embodies a wealth of information processing capabilities that can be exploited as a metaphor for the development of artificial immune systems. Chief among these features is the ability to recognize previously encountered substances and to generalize beyond recognition in order to provide appropriate responses to pathogens not seen before. This thesis presents a new supervised learning paradigm, resource limited artificial immune classifiers, inspired by mechanisms exhibited in natural and artificial immune systems. The key abstractions gleaned from these immune systems include resource competition, clonal selection, affinity maturation, and memory cell retention. A discussion of the progenitors of this work is offered. This work provides a thorough explication of a resource limited artifical immune classification algorithm, named AIRS (Artificial Immune Recognition System). Experimental results on both simulated data sets and real world machine learning benchmarks demonstrate the effectiveness of the AIRS algorithm as a classification technique.