Применение искусственных иммунных систем в задаче автоматизации управления роботом
Аннотация
В данной статье описываются особенности применения искусственных иммунных систем для автоматизации процесса выбора оптимального поведения автономным роботом, разработки и программной реализации искусственной иммунной системы, способной осуществлять выбор вариантов поведения в изменяющихся в реальном времени условиях, а также специфика задачи с точки зрения построения моделей искусственных иммунных систем. Чаще всего для этой цели применяются нейронные сети. Статья призвана показать альтернативные пути решения проблемы автоматизации работы промышленного робототехнического комплекса. Нейронные сети в силу своих структурных особенностей требуют больших вычислительных мощностей и затрачивают достаточно много времени на обучение. Искусственные иммунные системы являются развивающимся алгоритмом, предлагающим меньшие временные затраты для обучения модели.
В статье также приведены примеры использования искусственных иммунных систем в различных областях промышленности.
Целью работы является проектирование, разработка и исследование модели искусственной иммунной системы, позволяющей автоматизировать выполнение работ с помощью инженерного робота.
Литература
2. Begishev I.R., Khisamova Z.I. Artificial intelligence and robotics: theoretical and legal problems of differentiation of the conceptual apparatus. Bulletin of Udmurt University. Series Economics and Law. 2020;30(5):706-713. (In Russ., abstract in Eng.) https://doi.org/10.35634/2412-9593-2020-30-5-706-713
3. Kashkin S.Y., Pokrovsky A.V. Artificial Intelligence, Robotics and the Protection of Human Rights in the European Union. Courier of Kutafin Moscow State Law University (MSAL). 2019;(4):64-90. (In Russ., abstract in Eng.) https://doi.org/10.17803/2311-5998.2019.56.4.064-090
4. Aksenov V.V. Metaheuristic problem-solving methods for combinatorial optimization. In: Proceedings of the International Conference on Parallel Computational Technologies, PCT 2009. Nizhny Novgorod; 2009. p. 799. (In Russ., abstract in Eng.) EDN: TCOIBP
5. Samigulina G.A. Developing forecasting and controlling intelligent expert systems based on artificial immune systems. Problems of Informatics. 2010;(1):15-22. (In Russ., abstract in Eng.) EDN: NBRZMV
6. Bryukhovetsky A.A., Skatkov A.V. Implementing artificial immune systems models to solve multidimensional optimization tasks. Bulletin of the SevSTU. 2010;(12):119-122. Available at: https://lib.sevsu.ru/xmlui/handle/123456789/2500 (accessed 29.07.2025). (In Ukr.).
7. Bardachev Yu.N., Didyk A.A. Using danger theory in artificial immune systems. Avtomatika, avtomatizatsiya, elektrotekhnicheskie kompleksy i sistemy = Automatics, Automation, Electrical Engineering Complexes. 2007;(2):107-111. (In Russ., abstract in Eng.)
8. Stankevich L.A., Kazansky A.B. An immunological protection system for a humanoid. In: Proc. 9th All-Russian Science and Practice Conf. Current Problems of Information Security. 2006;(5):145-152. (In Russ., abstract in Eng.)
9. Garrett S.M. How Do We Evaluate Artificial Immune Systems? Evolutionary Computation. 2005;13(2):145-177. https://doi.org/10.1162/1063656054088512
10. Hunt J.E., Cooke D.E. Learning using an artificial immune system. Journal of Network and Computer Applications. 1996;19(2):189-212. https://doi.org/10.1006/jnca.1996.0014
11. Knight T., Timmis J. AINE: an immunological approach to data mining. In: Proceedings 2001 IEEE International Conference on Data Mining. San Jose, CA, USA: IEEE Press; 2001. p. 297-304. https://doi.org/10.1109/ICDM.2001.989532
12. Kim J., Bentley P.J. Towards an artificial immune system for network intrusion detection: an investigation of dynamic clonal selection. In: Proceedings of the 2002 Congress on Evolutionary Computation. CEC'02 (Cat. No.02TH8600). Honolulu, HI, USA: IEEE Press; 2002. p. 1015-1020. Vol. 2. https://doi.org/10.1109/CEC.2002.1004382
13. Kalmanje K.K., Neidhoefer J. Immunized Adaptive Critic for an Autonomous Aircraft Control Application. In: Dasgupta D. (eds) Artificial Immune Systems and Their Applications. Berlin, Heidelberg: Springer; 1999. p. 221-241. https://doi.org/10.1007/978-3-642-59901-9_12
14. Gao X.Z., Ovaska S.J., Wang X., Chow M.Y. Clonal optimization-based negative selection algorithm with applications in motor fault detection. Neural Computing and Applications. 2009;18(7):719-729. https://doi.org/10.1007/s00521-009-0276-9
15. Bezerra G.B., Barra T.V., Ferreira H.M., Knidel H., de Castro L.N., Von Zuben F.J. An Immunological Filter for Spam. In: Bersini, H., Carneiro, J. (eds) Artificial Immune Systems. ICARIS 2006. Lecture Notes in Computer Science. Vol. 4163. Berlin, Heidelberg: Springer; 2006. p. 446-458. https://doi.org/10.1007/11823940_34
16. Owens N., Timmis J., Greensted A., Tyrrell A. Modelling the Tunability of Early T Cell Signalling Events. In: Proceedings of the 7th international conference on Artificial Immune Systems (ICARIS '08). Berlin, Heidelberg: Springer-Verlag; 2008. p. 12-23. https://doi.org/10.1007/978-3-540-85072-4_2
17. Senhua Y., Dasgupta D. Conserved Self Pattern Recognition Algorithm. In: Proceedings of the 7th international conference on Artificial Immune Systems (ICARIS '08). Berlin, Heidelberg: Springer-Verlag; 2008. p. 279-290. https://doi.org/10.1007/978-3-540-85072-4_25
18. Greensmith J., Aickelin U., Cayzer S. Introducing Dendritic Cells as a Novel Immune-Inspired Algorithm for Anomaly Detection. In: Jacob C., Pilat M.L., Bentley P.J., Timmis J.I. (eds.) Artificial Immune Systems. ICARIS 2005. Lecture Notes in Computer Science. Vol. 3627. Berlin, Heidelberg: Springer; 2005. p. 153-167. https://doi.org/10.1007/11536444_12
19. Prieto C.E., Nino F., Quintana G. A goalkeeper strategy in robot soccer based on Danger Theory. In: 2008 IEEE Congress on Evolutionary Computation (IEEE World Congress on Computational Intelligence). Hong Kong, China: IEEE Press; 2008. p. 3443-3447. https://doi.org/10.1109/CEC.2008.4631263
20. Iqbal A., Maarof M.A. Polymorphism and Danger Susceptibility of System Call DASTONs. In: Jacob C., Pilat M.L., Bentley P.J., Timmis J.I. (eds) Artificial Immune Systems. ICARIS 2005. Lecture Notes in Computer Science. Vol. 3627. Berlin, Heidelberg: Springer; 2005. p. 366-374. https://doi.org/10.1007/11536444_28
21. Ishida Y. Fully distributed diagnosis by PDP learning algorithm: towards immune network PDP model. In: 1990 IJCNN International Joint Conference on Neural Networks. San Diego, CA, USA: IEEE Press; 1990. p. 777-782. vol. 1. https://doi.org/10.1109/IJCNN.1990.137663
22. Timmis J., Neal M., Hunt J. An artificial immune system for data analysis. Biosystems. 2000;55(1-3):143-150. https://doi.org/10.1016/S0303-2647(99)00092-1
23. Dasgupta D., Yu S., Nino F. Recent advances in artificial immune systems: Models and applications. Applied Soft Computing. 2011;11(2):1574-1587. https://doi.org/10.1016/j.asoc.2010.08.024
24. Puteh M., Hamdan A.R., Omar K., Abu Bakar A. Flexible Immune Network Recognition System for Mining Heterogeneous Data. In: Bentley P.J., Lee D., Jung S. (eds.) Artificial Immune Systems. ICARIS 2008. Lecture Notes in Computer Science. Vol. 5132. Berlin, Heidelberg: Springer; 2008. p. 232-241. https://doi.org/10.1007/978-3-540-85072-4_21
25. Castro P.A.D., Von Zuben F.J. MOBAIS: A Bayesian Artificial Immune System for Multi-Objective Optimization. In: Bentley P.J., Lee D., Jung S. (eds.) Artificial Immune Systems. ICARIS 2008. Lecture Notes in Computer Science. Vol. 5132. Berlin, Heidelberg: Springer; 2008. p. 48-59. https://doi.org/10.1007/978-3-540-85072-4_5
26. Coelho G.P., de França F.O., Von Zuben F.J. A Multi-Objective Multipopulation Approach for Biclustering. In: Bentley P.J., Lee D., Jung S. (eds.) Artificial Immune Systems. ICARIS 2008. Lecture Notes in Computer Science. Vol. 5132. Berlin, Heidelberg: Springer; 2008. p. 71-82. https://doi.org/10.1007/978-3-540-85072-4_7
27. Secker A., Davies M.N., Freitas A.A., Timmis J., Clark E., Flower D.R. An Artificial Immune System for Evolving Amino Acid Clusters Tailored to Protein Function Prediction. In: Bentley P.J., Lee D., Jung S. (eds.) Artificial Immune Systems. ICARIS 2008. Lecture Notes in Computer Science. Vol. 5132. Berlin, Heidelberg: Springer; 2008. p. 242-253. https://doi.org/10.1007/978-3-540-85072-4_22
28. Altshuler E.P., Serebryanaya D.V., Katrukha A.G. Obtaining recombinant antibodies and ways to increase their affinity. Uspekhi biologicheskoy khimii = Biological Chemistry Reviews. 2010;50:203-258. Available at: https://www.fbras.ru/wp-content/uploads/2017/10/Altschuler.pdf (accessed 29.07.2025). (In Russ., abstract in Eng.)
29. Stibor T., Timmis J., Eckert C. On the Use of Hyperspheres in Artificial Immune Systems as Antibody Recognition Regions. In: Bersini H., Carneiro J. (eds.) Artificial Immune Systems. ICARIS 2006. Lecture Notes in Computer Science. Vol. 4163. Berlin, Heidelberg: Springer; 2006. p. 215-228. https://doi.org/10.1007/11823940_17
30. Aickelin U., Cayzer S. The Danger Theory and Its Application to Artificial Immune Systems. arXiv:0801.3549. 2008. https://doi.org/10.48550/arXiv.0801.3549
31. Zhang Y.J., Xue Y. Study of Immune Control Computing in Immune Detection Algorithm for Information Security. In: Huang D.S., Wunsch D.C., Levine D.S., Jo K.H. (eds.) Advanced Intelligent Computing Theories and Applications. With Aspects of Artificial Intelligence. ICIC 2008. Lecture Notes in Computer Science. Vol. 5227. Berlin, Heidelberg: Springer; 2008. p. 951-958. https://doi.org/10.1007/978-3-540-85984-0_114
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
