На правах рукописи Ушаков Станислав Андреевич РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ
реклама
На правах рукописи Ушаков Станислав Андреевич РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ РЕШЕНИЯ ЗАДАЧ РАСПОЗНАВАНИЯ НА ОСНОВЕ ИСКУССТВЕННЫХ ИММУННЫХ СИСТЕМ Специальность 05.13.17 Теоретические основы информатики Автореферат диссертации на соискание ученой степени кандидата технических наук Воронеж 2015 2 Работа выполнена в ФГБОУ ВПО «Воронежский государственный университет» на кафедре «Математическое обеспечение ЭВМ» Научный руководитель: Официальные оппоненты: доктор технических наук, профессор Астахова Ирина Федоровна, ФГБОУ ВПО «ВГУ», профессор кафедры «Математического обеспечения ЭВМ» (г. Воронеж) Демидова Лилия Анатольевна, доктор технических наук, профессор, ФГБОУ ВПО «Рязанский государственный радиотехнический университет », профессор кафедры «Вычислительная и прикладная математика» (г. Рязань) Лебедев Олег Борисович, кандидат технических наук, доцент, ФГАУО ВПО «Южный Федеральный университет», доцент кафедры «Системы автоматизированного проектирования» (г. Ростов-на-Дону) Ведущая организация: ФГБОУ ВПО «Тамбовский государственный университет им. Державина» (г. Тамбов) Защита состоится «27» февраля 2016 г. в 1400 на заседании диссертационного совета Д 212.208.21 Южного Федерального университета по адресу: 347928, Ростовская обл., г. Таганрог, ГСП-17А, пер. Некрасовский, 44, ауд. Д-406. С диссертацией можно ознакомиться в Зональной научной библиотеке Южного Федерального университета по адресу: 344000, г. Ростов-на-Дону, ул. Зорге, 21Ж и на сайте: http://hub.sfedu.ru/diss/announcement/14710005-1922-471c97da-c7b65d5375ca/ Отзыв на автореферат, заверенный гербовой печатью организации, просим направлять учёному секретарю диссертационного совета Д212.208.21 по адресу: 347928, Ростовская обл., г. Таганрог, ГСП-17А, пер. Некрасовский, 44. Автореферат разослан «____»___________2015 г. Ученый секретарь диссертационного совета Д212.208.21 доктор технических наук, профессор А.В. Боженюк 3 ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы исследования определяется внедрением компьютерных технологий и систем искусственного интеллекта в различные сферы деятельности человека. Эти исследования опираются на фундаментальные основы современной науки такие, как распознавание образов, нейронные сети, генетические алгоритмы, искусственные иммунные системы. В новых, бурно развивающихся, научных направлениях нейробионического и эволюционного моделирования сочетаются методы нечеткой логики, генетических алгоритмов и иммунных систем, что открывает новые возможности перед исследователем для решения трудно-формализуемых задач в условиях неопределенности. Появились нейро-нечеткие системы: нечетко-генетические, нейрогенетические и нейро-нечетко-генетические. Дополняют этот ряд искусственные иммунные системы. Данная работа посвящена построению искусственных иммунных систем и их практическому использованию в задачах распознавания образов, символьной регрессии и управлению автономным роботом. Исследование и анализ методической, научной литературы и периодической печати показали, что в настоящее время отсутствует единая модель искусственной иммунной системы для решения практических задач 1. Следует отметить, что для решения каждой конкретной практической или технической задачи строится своя модель искусственной иммунной системы, которая часто использует не все возможности, которые может дать теория иммунных систем. В частности, не определены свойства распределенности и децентрализованности, которые могут позволить создать распределенную версию искусственной иммунной системы. Исследование направлено на ликвидацию этого пробела – на решение задачи формализации построения искусственной иммунной системы с использованием методов искусственного интеллекта. Рассмотрены следующие практические задачи: Задача распознавания образов. Она находит применение в автоматизации производства: освобождение человека от однообразных рутинных операций для решения других более важных задач, повышение качества выполняемых работ, повышение скорости решения задач. Задача символьной регрессии. Она применяется в эмпирических исследованиях для восстановления зависимостей в функциональном виде и прогнозирования на основе полученных экспериментальных данных; в работе рассмотрено применение в экологии. Задача управления автономным роботом. В последнее время появляется все больше автономных роботов, функционирующих в повседневном 1 Демидова Л.А., Титов С.Б. Исследование влияния основных параметров алгоритма функционирования искусственной иммунной сети на качество кластеризации объектов // Вестник Рязанского государственного радиотехнического университета. 2012. № 40. С. 54-60. 4 окружении человека – в индустриальной среде и в сфере обслуживания, проблема обхода препятствий для них является самой важной. Диссертационная работа выполнена в рамках одного из основных научных направлений Воронежского государственного университета «Математическое моделирование, программное и информационное обеспечение, методы вычислительной и прикладной математики и их применение к фундаментальным исследованиям в естественных науках». Цель и задачи исследования. Целью диссертационной работы является формализация, разработка и исследование единой модели и алгоритмов искусственных иммунных систем и их применение для решения задач распознавания. Для достижения цели работы нужно решить следующие задачи: 1) Разработать единую модель для решения задач распознавания (распознавания одиночных символов, символьной регрессии и сбора мусора автономным роботом) на основе искусственной иммунной системы, используя тот факт, что одной из основных задач иммунной системы является распознавание вредоносных организмов и молекул. 2) Разработать единый алгоритм реализации искусственной иммунной системы для решения задач распознавания (распознавания одиночных символов, символьной регрессии и сбора мусора автономным роботом), а также его улучшенную распределенную версию, использующие свойство децентрализованности иммунной системы. 3) Провести вычислительный эксперимент с помощью разработанного программного продукта, реализующего описанные алгоритмы. Методы исследования. При решении поставленных задач использовались методы системного анализа и математического моделирования, методы и алгоритмы искусственных иммунных систем и генетических алгоритмов, методы объектно-ориентированного проектирования и программирования. Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной: 1) Разработана единая модель искусственной иммунной системы для решения задач распознавания (распознавания одиночных символов, символьной регрессии и сбора мусора автономным роботом). 2) Разработаны алгоритмы решения задач распознавания (распознавания одиночных символов, символьной регрессии и сбора мусора автономным роботом), в том числе распределенный алгоритм, работающий в гетерогенной вычислительной среде. Теоретическая и практическая ценность. Работа имеет теоретический и практический характер. В работе разработана единая модель искусственных иммунных систем, описаны алгоритмы для решения задач распознавания (распознавания единичных образов, символьной регрессии и сбора мусора автономным роботом). Результаты работы были внедрены в НПК ЗАО «ИРКОС» в рамках работ по теме «Архимед», новый алгоритм решения задачи символьной регрессии позволил сократить трудозатраты на решение обратных задач восстановления вида сигнала по имеющимся измерениям. Новый 5 алгоритм распознавания оказался эффективным при работе с геоинформационными системами (при рассмотрении сетевых коммуникаций). Также практическая ценность работы заключается в возможности использования разработанного программного обеспечения для проведения лабораторных занятий по курсу «БД и экспертные системы» из Федеральной составляющей учебного плана по прикладной математике и информатике, при выполнении курсовых и дипломных работ, магистерских диссертаций. По результатам работы получены свидетельства регистрации программы на ЭВМ «Подмножества графа» № 2010615387 от 20 августа 2010г. и № 2014618209 «Решение задачи символьной регрессии с помощью распределенных иммунных систем» от 13 августа 2014 г. Апробация работы. Результаты работы представлялись на международных конференциях «Актуальные проблемы прикладной математики, информатики и механики» (Воронеж, 2010 г., 2011 г., 2013г.), на международной научной конференции «Современные методы теории краевых задач», на Воронежской мат. школе «Понтрягинские чтения» (Воронеж, 2010 г.), на международной конференции «Современные методы прикладной математики, теории управления и компьютерных технологий» (Воронеж, 2014 г.), на научных сессиях Воронежского государственного университета ( 2013 г. , 2014 г.), на IX международной научно-практической конференции «Современные информационные технологии и ИТ-образование» (Москва, 2014 г.). Публикации. Результаты диссертации опубликованы в 11 работах. Из совместных работ в диссертацию вошли только результаты, принадлежащие лично диссертанту. Списку ВАК, в котором должны быть опубликованы основные результаты диссертации, соответствуют работы [1-2]. Структура и объём диссертации Диссертация состоит из введения, 4-х глав, заключения, списка используемой литературы из 82 наименований. Общий объем диссертации – 135 страниц. Работа содержит 34 рисунка, 3 таблицы, 2 приложения. Область исследования Диссертационная работа соответствует следующим пунктам паспорта специальности 05.13.17 – Теоретические основы информатики: П.1. Исследование, в том числе с помощью средств вычислительной техники, информационных процессов, информационных потребностей коллективных и индивидуальных пользователей. П.7. Разработка методов распознавания образов, фильтрации, распознавания и синтеза изображений, решающих правил. Моделирование формирования эмпирического знания. П.13. Применение бионических принципов, методов и моделей в информационных технологиях. На защиту выносятся: 6 1. Единая модель искусственной иммунной системы для решения задач распознавания (распознавания одиночных символов, символьной регрессии и сбора мусора автономным роботом). 2. Алгоритмы для решения задачи распознавания (распознавания одиночных символов, символьной регрессии и сбора мусора автономным роботом), в том числе распределенная версия алгоритма. 3. Программный комплекс, реализующий разработанные алгоритмы и позволяющий провести вычислительный эксперимент. КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснованы цели и задачи исследования, его научная новизна, представлена теоретическая и практическая ценность работы, обосновано соответствие паспорту специальности. Первая глава посвящена обзору искусственных иммунных систем, их моделям и применению. В первой части дается краткая история развития генетических алгоритмов, которые явились предшественниками искусственных иммунных систем, указаны различные области их применения в настоящее время. Во второй и третьей частях главы описаны основные свойства иммунных систем, их модели, понятия, взятые из медицинской иммунологии, и перечислены основные задачи, для решения которых они используются. Также рассмотрены полезные при решении практических задач свойства иммунной системы: распознавание, выделение особенностей, обучение, распределенный поиск, саморегуляция, вероятностное обнаружение. В начале второй главы предложены модель искусственной иммунной системы и алгоритм, имеющие одинаковый вид для трех решаемых важных технических задач. Модель искусственной иммунной системы можно представить как совокупность следующих элементов: IIS = <L, G, A, μ, S>, где IIS – искусственная иммунная система; L – пространство всех возможных элементарных компонент (лимфоцитов). В зависимости от задачи, лимфоцит может представлять собой строку, список координат, дерево выражения; G – множество всех возможных антигенов. В зависимости от задачи, антиген может быть строкой, матрицей логических значений, списком значений функции в известных точках; A: L×G → [0,1] – заданная мера аффинности, которая каждому лимфоциту и каждому антигену ставит в соответствие число из отрезка [0, 1], которое показывает, насколько хорошо данный лимфоцит реагирует на поданный антиген; μ: L→L – оператор мутации, применяемый к отдельному лимфоциту с целью улучшения его свойства распознавания; S: A⊂L → B⊂A⊂L – оператор селекции, содержащий механизм, оставляющий в текущей иммунной системе лучшие лимфоциты, поддерживая размер сети. Под аффинностью иногда понимают функцию приспособленности или функцию пригодности, или целевую функцию. Предложен общий алгоритм реализации модели иммунной системы. 7 Этот шагов: 1) 2) 3) алгоритм можно представить в виде последовательности следующих Выбирается начальная популяция – . Подается , . Находится наилучший лимфоцит – текущее решение: . 4) К лимфоцитам применяется оператор мутации: . 5) Для сохранения размера сети применяется оператор селекции, который из текущего набора лимфоцитов и множества мутировавших лимфоцитов (полученного на 4): . 6) Если решение удовлетворяет заданному критерию или достигнуто максимальное число итераций – выход, иначе – возврат к шагу 2. Таким образом получаем, что на каждом шаге аффинность лучших лимфоцитов не уменьшается, а только растет, и если после определенного числа итераций аффинность не меняется, то алгоритм также прекращает работу, так как найдено решение (глобально или локально оптимальное). Для различных технических задач эта модель и алгоритм будут меняться в зависимости от решаемой проблемы. В третьей части главы представлена модель искусственной иммунной системы, которая решает задачу распознавания образов. Предложенная модель системы состоит из В-лимфоцитов, каждый из которых представляет собой два списка координат пикселей изображения. Один из них хранит координаты черных (значащих) пикселей, а другой – белых (фоновых). Антигенами являются изображения, представленные матрицей логических значений, где TRUE соответствует значащему пикселю, а FALSE – фоновому. На рис. 1 представлена структурная модель лимфоцита. Рис. 1 Структурная модель лимфоцита Для определения аффинности – степени того, насколько точно лимфоцит соответствует определенному антигену, введем параметр , где – количество черных пикселей антигена, которые определяются координатами из первого списка лимфоцита; – количество белых пикселей антигена, которые определяются координатами из второго списка лимфоцита. Тогда аффинность будет задаваться формулой F = S/N, где S – уже рассмотренная нами величина, а N – количество пикселей в обоих списках лимфоцита. 8 Четвертая часть главы посвящена модели решения задачи символьной регрессии. Приведем ее краткую постановку. Есть множество значений свободных переменных , где и соответствующих им значений функции . Эти два множества образуют множество исходных данных . Также задано множество функций, которые будут использоваться при построении суперпозиции. Будем рассматривать только непрерывно дифференцируемые функции: , такие как . Рассмотрим произвольную суперпозицию , состоящую не более чем из функций . Требуется найти такую суперпозицию, которая бы доставляла максимум (минимум) заданному функционалу . Этот функционал и определяет целевую функцию. Его выбирают таким образом, чтобы он показывал степень приближения построенной функции к искомой. Модель состоит из представления лимфоцитов и алгоритма функционирования искусственной иммунной системы. Лимфоциты в ней представляют собой деревья выражений. Так как решением является функция (суперпозиция заданных простых функций), то лимфоцит должен представлять собой эту функцию, закодированную каким-либо образом. Удобным представлением как для реализации, там и для последующей работы алгоритма, можно считать дерево выражения. Так как использоваться будут только бинарные и унарные операции, данное дерево будет бинарным. Функцию, представляемую лимфоцитом, можно записать в виде: , где , …, – функции из заданного набора, – число функций, меньше либо равное максимально допустимой высоте дерева выражения, – свободные переменные. Поскольку количество переменных заранее известно, лимфоцит также хранит список допустимых переменных. Лимфоциты должны поддерживать следующие операции: Вычисление значение представляемой функции в точке. Вычисление меры аффинности (будет рассмотрено ниже) данного лимфоцита. Упрощение соответствующего выражения. Возвращение строкового представления выражения (с правильно расставленными скобками). В качестве аффинности (целевой функции) будем использовать следующую функцию: , где: , – заданное множество значений свободных переменных; – заданное множество значений искомой функции в соответствующих точках ; 9 – множество значений функции, представляемой данным лимфоцитом, в соответствующих точках . В шестой части главы рассматривается задача сбора мусора автономным роботом. Для того, чтобы робот был автономным, требуется чтобы он не только мог решить поставленную задачу, но и он должен быть при этом самодостаточным, т.е. планировать свои действия в динамической и меняющейся окружающей среде. Среда обладает следующими свойствами: наличие препятствий, наличие базы для подзарядки робота, наличие целей – мусора, среда конечна. Во время движения робот расходует заряд батареи, как живой организм – питательные вещества, необходимые для его функционирования. Задачей робота является сбор всего мусора, находящегося на площадке, не разрядив свою батарею полностью. Робот, решающий задачу сбора мусора, имеет следующие варианты выбора поведения: двигаться прямо, повернуть направо, повернуть налево, взять мусор. Уровень стимуляции Уровень заряда Расстояние до базы Проделанный путь Возвращаться на базу или нет Рис. 2. Структура лимфоцита модуля принятия решения о возврате на базу Робот решает 2 основные задачи: не разрядиться полностью (приоритетная) и собрать мусор, поэтому для каждой из этих задач был создан отдельный блок управляющий логики со специфичной структурой лимфоцитов. Лимфоцит для модуля принятия решения о возврате на базу представлен на рис. 2. Для принятия решения роботу требуется анализ набора характеристик, которые он легко может собрать: текущий уровень энергии, проделанный путь, расстояние до базы. Каждый узел в иммунной памяти хранит в себе информацию о рассматриваемых характеристиках, а также уровень стимуляции и ответ на вопрос «возвращаться на базу или нет». Уровень стимуляции представляет собой число, описывающее, насколько хорошо данный лимфоцит подходит к текущей ситуации. В момент создания узла уровень стимуляции инициализируется заранее заданным числом. В процессе работы система может понижать уровень стимуляции в тех узлах, которые не участвовали в принятии правильных решений, и повышать уровень стимуляции узла, который дал верный ответ. Лимфоцит иммунной памяти для блока принятия решения о дальнейшем движении хранит информацию об участке карты и соответствующее действие (направление движения). Третья глава посвящена алгоритмам решения задач с помощью искусственных иммунных систем. 10 В первой части главы описана работа алгоритма распознавания образов, которая подразделяется на обучение и собственно распознавание (рис. 2). Во время обучения для каждого изображения из обучающей выборки случайным образом генерируется заданное число лимфоцитов, реагирующих на поданное изображение (антиген). Начало Изображение для распознавания Инициализировать массив ответов, его индексы – номера антигенов Предобработка изображения Все лимфоциты просмотрены нет да Выбрать максимальный элемент из массива ответов Вычислить аффинность для текущего лимфоцита нет Аффинность > пороговой да Его индекс – ответ ИИС Увеличить элемент массива ответов, соответствующий номеру антигена лимфоцита Конец Рис. 3 Алгоритм распознавания В пятой части производится сравнение результатов распознавания с помощью искусственной иммунной системы с существующими данными. Для этого использовались данные базы MNIST (Mixed National Institute of Standards and Technology database – смешанная база данных национального института стандартов и технологий). Множество символов для обучения состоит из 60000 рукописных изображений цифр от 0 до 9. Размер каждого изображения составляет 28 х 28 пикселей, каждый символ масштабирован до этого размера. В качестве тестовой выборки используется набор из 10000 символов такого же формата. Результат сравнения различных методов представлен в табл. 1. Таблица 1. Сравнительная точность различных методов распознавания. Метод Процент ошибок Линейный классификатор (нейронная сеть с 1-м уровнем) 12.0 К ближайших соседей, евклидово расстояние 5.0 Метод главных компонент и квадратичный классификатор 3.3 11 Метод опорных векторов (Гауссово ядро) 1.4 Двуслойная нейронная сеть, 300 нейронов в скрытом слое 4.7 Двуслойная нейронная сеть, 1000 нейронов в скрытом слое 4.5 Трехслойная нейронная сеть, 300 и 100 нейронов в скрытых слоях 3.05 соответственно Трехслойная нейронная сеть, 500 и 150 нейронов в скрытых слоях 2.95 соответственно Искусственная иммунная система 3.04 Как следует из таблицы, искусственная иммунная система показывает точность на уровне трехслойных нейронных сетей, однако проще и быстрее в обучении. При использовании алгоритма обратного распространения 2 количество операций для одного образца из обучающей выборки равно , где – количество операций для пересчета синаптических связей; – количество операций для вычисления индуцированного локального поля и локального градиента нейронов; – среднее количество итераций алгоритма обратного распространения ошибок к одному элементу обучающей выборки ( > 1). Для трехслойной нейронной сети с 300 и 100 нейронами ; для трехслойной нейронной сети с 500 и 150 нейронами . В искусственной иммунной системе обучение зависит от двух параметров: количества пикселей, о которых хранит информацию лимфоцит ( ) и количества лимфоцитов, создаваемых для каждого поданного образа из обучающего множества ( . Для каждого пикселя нужна генерация двух случайных чисел, поэтому умножим получившееся число на 2. Тогда количество операций для одного образа из обучающей выборки будет равно: Для рассматриваемой конфигурации иммунной системы , . Что в 8 раз меньше, чем у нейронной сети с 300 и 100 нейронами и в 14 раз меньше, чем у нейронной сети с 500 и 150 нейронами. Вторая часть главы посвящена алгоритму искусственной иммунной системы для решения задачи символьной регрессии, блок-схема которого представлена на рис. 3. В третьей части главы предложена распределенная версия алгоритма символьной регрессии. Иммунная система имеет по своей природе распределенный характер, лимфоциты циркулируют по всему организму, но, в 2 Хайкин С. Нейронные сети: полный курс, 2-e издание. : Пер. с анrл. . С. Хайкин. — М.: "Вильямс", 2006. — 1104 с. 12 то же время, информация о каждом лимфоците доступна всему организму целиком. С другой стороны, распределенные вычисления, производимые с помощью нескольких вычислительных машин, позволяют решать намного более сложные задачи, не имеющие решения в последовательной постановке. Нет Рис. 3 Алгоритм работы искусственной иммунной системы для решения задачи символьной регрессии В качестве архитектуры взаимодействия вычислительных блоков между собой была выбрана модель p2p-взаимодействия. Одноранговая, децентрализованная или пиринговая (от англ. peer-to-peer, P2P — равный к равному) 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 клиентсервер, такая организация позволяет сохранять работоспособность сети при любом количестве и любом сочетании доступных узлов. В распределенной искусственной иммунной системе каждый вычислительный узел будет хранить некоторую часть лимфоцитов и в определенные моменты времени обмениваться лучшими лимфоцитами с 13 соседними узлами. Модифицированный алгоритм искусственной иммунной системы представлен на рис. 4. Нет Нет распределенной Нет Нет Рис. 4 Алгоритм работы одного узла для решения задачи символьной регрессии на основе распределенной искусственной иммунной системы В четвертой части сравнивается эффективность предложенного алгоритма с различными алгоритмами генетического программирования (на 50 запусках). Табл. 2 представляет собой сравнение 4-х алгоритмов: GG – алгоритма генетического программирования, GGGP – алгоритма генетического программирования на основе грамматик, TAG3GP – алгоритма генетического программирования, основанного на грамматике сложения деревьев, AIS – искусственной иммунной системы. 14 Таблица 2. Сравнение результатов работы четырех алгоритмов решения задачи символьной регрессии. Функция GP GGGP TAG3GP AIS 47 (94%) 46 (92%) 50 (100%) 50 (100%) 30 (60%) 32 (64%) 50 (100%) 49 (98%) 21 (42%) 24 (48%) 48 (96%) 47 (94%) 0 (0%) 10 (20%) 18 (36%) 26 (52%) Как следует из таблицы, искусственные иммунные системы решают задачу символьной регрессии лучше методов генетического программирования. В пятой части главы рассматривается иммунная система задачи сбора мусора автономным роботом. В рассматриваемой модели используются 2 модуля: модуль принятия решения о возврате на базу для подзарядки и модуль принятия решения о дальнейшем движении. Глава 4 посвящена программной реализации предложенных алгоритмов, структура программного комплекса представлена на рисунке 5. Программный комплекс Подсистема решения задачи распознавания одиночных символов Подсистема решения задачи символьной регрессии Подсистема управления роботом Модуль предобработки: алгоритмы бинаризации и масштабирования Модуль простой искусственной системы: последовательная реализация Модуль принятия решений о возврате на базу для подзарядки Модуль распознавания: классы лимфоцитов, ИИС, методов вычисления аффинности Модуль организации сетевого взаимодействия между ИИС Модуль принятия решений о дальнейшем движении Модуль сохранения и загрузки ИИС из постоянной памяти Модуль реализации распределенной искусственной иммунной системы Модуль графического интерфейса пользователя с эмулятором проблемной среды Модуль графического интерфейса пользователя Модуль тестирования различных функций подсистемы Модуль интерфейса командной строки Рис. 5 Структура программного комплекса 15 Для реализации алгоритма распознавания образов с помощью иммунной системы использовался язык программирования C#, описаны используемые классы, метод хранения обученной иммунной системы в постоянной памяти, графический интерфейс пользователя. Для реализации алгоритма функционирования иммунной системы для решения задачи символьной регрессии использовался язык Python, особенностями которого является кросс-платформенность, быстрота разработки, наличие стандартной библиотеки, включающей большое число полезных функций и классов для различных задач. Для реализации алгоритма сбора мусора автономным роботом использовался язык программирования C#, был создан программный комплекс с графическим интерфейсом, эмулирующим окружающую среду. Заключение В диссертационном исследовании разработаны и формализованы единые модель и алгоритмы искусственных иммунных систем. Можно выделить следующие результаты: 1. Разработана единая модель для решения задач распознавания (распознавания одиночных символов, символьной регрессии и сбора мусора автономным роботом) на основе искусственной иммунной системы, используя тот факт, что одной из основных задач иммунной системы является распознавание вредоносных организмов и молекул, отличающаяся представлением элементарной компоненты (лимфоцита) и позволяющей сократить время получения решения. 2. Разработан единый алгоритм реализации искусственной иммунной системы для решения задач распознавания (распознавания одиночных символов, символьной регрессии и сбора мусора автономным роботом), а также его улучшенную распределенную версию, использующие свойство децентрализованности иммунной системы и позволяющий работать в гетерогенной вычислительной среде. 3. Разработан программный комплекс, включающий в себя описанные выше алгоритмы, позволяющий провести вычислительный эксперимент, оценить точность предложенных алгоритмов по сравнению с другими методами реализации, отличительной особенностью которого является работа в распределенной среде. Публикации автора по теме диссертации Публикации в изданиях, рекомендованных ВАК РФ 1. Ушаков С.А. Иммунные системы для решения практических задач / С.А. Ушаков, С. А. Челноков // Вопросы современной науки и практики. Ассоциация университетов им. В.И. Вернадского. – 2012. №2(40). С.74-79. 2. Ушаков С.А. Применение искусственных иммунных систем для распараллеливания процесса вычисления / И.Ф. Астахова, С.А. Ушаков // Информационные технологии. 2014. № 4. С. 3-6. 16 Свидетельства о регистрации программ 3. Ушаков С.А. Подмножества графа / С.А. Ушаков, И.Ф. Астахова // Свидетельство о государственной регистрации для ЭВМ № 2010615387 от 20 августа 2010г. 4. Ушаков С.А. Решение задачи символьной регрессии с помощью распределенных иммунных систем / С.А. Ушаков // Свидетельство о государственной регистрации для ЭВМ № 2014618209 от 13 августа 2014г. Прочие публикации 5. Ушаков С.А. Генетические алгоритмы при решении некоторых практических задач / И.Ф. Астахова, С.А. Ушаков, Е.И. Шлигровский // Актуальные проблемы прикладной математи-ки, информатики и механики: сб. тр. Межд. Конф. – Воронеж : Воронеж.Госун-т, 2010. – С. 36-38. 6. Ушаков С.А. Применение генетических алгоритмов для нахождения независимых подмножеств графа/ С.А. Ушаков // Современные методы теории краевых задач: Мат. Воронежской мат.школы «Понтрягинские чтения»Воронеж:ВГУ, 2010. – С. 229-231. 7. Ушаков С.А. Искусственные иммунные системы для решения задачи распознавания / И.Ф. Астахова, С.А. Ушаков // Актуальные проблемы прикладной математи-ки, информатики и механики: дополнительная секция: Сб. трудов межд. конф. – Воронеж: Издательско-полиграфический центр ВГУ, 2011. – С.36-40. 8. Ушаков С.А. Применение распределенных искусственных иммунных систем для решения задачи символьной регрессии при распараллеливании процессов / И.Ф. Астахова, С.А. Ушаков // Актуальные проблемы прикладной математики, информатики и механики: сб. трудов Межд. конф. –Воронеж: Издательско-полиграфический центр «Научная книга», 2014. С. 17-19. 9. Ушаков С.А. Использование распределенных иммунных систем для решения задачи символьной регрессии [электронный ресурс]/ С.А.Ушаков // Инноватика. – 2014. - № 4 (01.04.2014). – URL: http://innovatika.net/articles/ 201401/ UshakovSA.pdf (обращение 01.04.2014) 10. Ушаков С.А. Применение искусственных иммунных систем для выбора поведения автономным роботом // Астахова И.Ф., Шлигровский Е.И., Ушаков С.А. / Современные методы прикладной математики, теории управления и компьютерных технологий : Мат. VII межд. науч. конф.- Воронеж: ВГТУ, 2014 – С. 15-17. 11. Ушаков С.А. Применение искусственных иммунных систем для выбора поведения автономным роботом / И.Ф.Астахова, С.А.Ушаков// Современные информационные технологии и ИТ-образование : Сб. Труд. IX межд. Научнопракт. конф. – М.: ИНТУИТ.РУ, 2014. –С.342-348. В материалах [1-3], [5], [7-8], [10] автору принадлежит разработка моделей и алгоритмов, их формализация, а также программная реализация. Соискатель Ушаков С.А.
