Tải bản đầy đủ - 0 (trang)
Thuật toán chọn lọc nhân bản:

Thuật toán chọn lọc nhân bản:

Tải bản đầy đủ - 0trang

Chương 2. Cơ sở lý thuyết



Trình diê ̣n kháng nguyên hiê ̣n ta ̣i cho kháng thể hiê ̣n ta ̣i quầ n thể P

For each kháng thể do

Tiń h ái lực giữa kháng thể hướng đế n kháng nguyên hiê ̣n ta ̣i

2.2



Cho ̣n lo ̣c và mở rô ̣ng nhân bản



Cho ̣n ra 1 nhóm các kháng thể trong P có ái lực cao nhấ t.

Phát sinh các bản sao chin

́ h xác của các kháng thể này dựa theo ái lực

của chúng, ái lực càng cao, càng nhiề u bản sao

2.3



Trưởng thành ái lực: Biế n đổ i tấ t cả các bản sao với tỉ lê ̣ nghich

̣



với ái lực của chúng. Thêm các kháng thể biế n đổ i này vào P, tái cho ̣n

lo ̣c cá thể tố t nhấ t và giữ chúng thành vùng nhớ của kháng nguyên này.

2.4



Siêu đô ̣ng lực: Thay kháng thể có ái lực nhỏ nhấ t bởi kháng thể



đươ ̣c phát sinh ngẫu nhiên.

Bảng 2.1 . So sánh giải thuật tiến hoá cơ bản và giải thuật chọn lọc nhân bản



Đặc trưng



Giải thật di truyền



Giải thuật CLONALG



Không gian tìm kiếm



Tập các nhiễm sắc thể



Tập các kháng thể



Tên gọi cá thể



Nhiễm sắc thể



Kháng thể (Antibody)



Biểu diễn cá thể



String, vector,...



String, vector,...



Kích thước quẩn thể



Cố định



Cố định



Hàm mục tiêu



Hàm tính độ thích nghi



Ái lực



Tốn tử



Chọn lọc



Siêu đột biến



Đột biến



Chọn lọc



Giao chéo



28



Chương 2. Cơ sở lý thuyết



Ở bảng trên, giải thuâ ̣t cho ̣n lo ̣c nhân bản đươ ̣c so sánh với giải thuâ ̣t tiế n hóa cơ

bản. Cầ n chú ý rằ ng, những điểm khác biê ̣t nằ m chủ yế u ở ki ̃ thuâ ̣t đươ ̣c sử du ̣ng.

Trong các thuâ ̣t toán cho ̣n lo ̣c nhân bản, cơ chế để cho ̣n kháng thể phù hơ ̣p dựa trên ái

lực với kháng nguyên. Theo đó, các cơ chế cho ̣n lo ̣c truyề n thố ng đươ ̣c sử du ̣ng trong

tin

́ h toán tiế n hóa, ví như cho ̣n lo ̣c cân bằng hoă ̣c cho ̣n lo ̣c ca ̣nh tranh sẽ dễ dàng áp

du ̣ng trong các giải thuâ ̣t cho ̣n lo ̣c nhân bản. Trong thuâ ̣t toán tiế n hóa, xác suấ t để mô ̣t

cá thể đươ ̣c cho ̣n đươ ̣c xác đinh

̣ dựa trên đô ̣ phù hơ ̣p của nó, và tương ứng với ái lực

giữa kháng thể , kháng nguyên trong chọn lọc nhân bản.

Mô ̣t vài phiên bản của các giải thuâ ̣t cho ̣n lo ̣c nhân bản đươ ̣c đề ra bởi Castro và

Von Zuben (2000) và de Castro (2003) và đươ ̣c sử du ̣ng để nhâ ̣n da ̣ng mẫu và viê ̣c tố i

ưu hàm đa mô hiǹ h, đươ ̣c mô tả như sau:

clonAlg():

1.



Cho ̣n ngẫu nhiên mô ̣t kháng nguyên Agj và trình diê ̣n nó với tấ t cả các



kháng thể trong AB (repertoire)

2. Xác đinh

̣ vector fj chứa tấ t cả các ái lực giữa kháng nguyên Agj và toàn bô ̣

kháng thể trong AB.

3. Cho ̣n ra n kháng thể với ái lực cao nhấ t, ta ̣o nên tâ ̣p Abj{n} ái lực cao ứng

với kháng nguyên Agj

4. Nhân bản n kháng thể đươ ̣c cho ̣n mô ̣t cách đô ̣c lâ ̣p và cân xứng với ái lực

kháng nguyên của chúng, ta ̣o ra mô ̣t tập các bản sao Cj các bản sao: ái lực càng

cao, thì số bản sao đươ ̣c phát sinh của kháng thể đó càng nhiề u.

5.



Cj trải qua quá trin

̀ h trưởng thành ái lực, biế n đổ i các kháng thể tỉ lê ̣



nghich

̣ với ái lực kháng nguyên của chúng để ta ̣o ra quầ n thể các bản sao

trưởng thành theo nguyên tắc ái lực càng cao, biế n đổ i càng it́



29



Chương 2. Cơ sở lý thuyết



6.



Xác đinh

̣ ái lực fj* của các bản sao trưởng thành Cj* ứng với kháng



nguyên Agj

7.



Tái cho ̣n lo ̣c cá thể có ái lực cao nhấ t (trong tâ ̣p Cj*) ứng với kháng



nguyên Agj để trở thành phầ n tử của tâ ̣p kháng thể ghi nhớ (Ab{m}). Nế u ái

lực hướng kháng nguyên Agj của kháng thể này lớn hơn kháng thể ghi nhớ

tương ứng Ab, Abj* sẽ thay thế Ab.

8.



Cuố i cùng, thay những kháng nguyên có ái lực nhỏ nhấ t trong tâ ̣p Abj{r}



bởi những cá thể mới.

Có các phiên bản khác của giải thuâ ̣t cho ̣n lo ̣c nhân bản, phiên bản áp du ̣ng để

nhâ ̣n da ̣ng mẫu đòi hỏi mô ̣t tâ ̣p các mẫu cầ n nhâ ̣n da ̣ng như đầ u vào, trong khi các

phiên bản cho viê ̣c tố i ưu cầ n mô ̣t hàm đố i tươ ̣ng để tố i ưu.

2.2.3.3 Mạng miễn dịch nhân tạo

Mạng miễn dịch nhân tạo (Artificial Immune System -AiNet) là một trong các mơ

hình tính tốn của AIS đang được quan tâm trong những năm gần đây. Mơ hình Ainet

được lấy cảm hứng từ lý thuyết mạng miễn dịch lần đầu được đề ra bởi Jerne năm 1974

[12]. Mơ hình này được phát triển dựa trên các ý tưởng và khái niệm của 3 lý thuyết:

Lý thuyết mạng miễn dịch, chọn lọc nhân bản và trưởng thành ái lực. Trong đó, vai trò

của mạng miễn dịch nhân tạo nhằm thực hiện việc nén dữ liệu sau khi đã trải qua các

quá trình chọn lọc nhân bản và trưởng thành ái lực. Mơ hình aiNet cấu thành từ một

nhóm các tế bào, còn được gọi là kháng thể, lien kết với nhau bởi các kết nối có cường

độ phù hợp. Các kháng thể đại diễn cho hình ảnh nội mạng của các mẫu đầu vào mà

chúng tiếp xúc. Các kết nối giữa các kháng thể xác định sự tương quan với một mức

độ tương tự lẫn nhau giữa chúng. Các kháng thể càng gần nhau càng tương tự, điều này

dẫn đến một mạng lưới các kháng thể có thể nhận dạng các kháng nguyên với tính tổng

quát linh động điều chỉnh.



30



Chương 2. Cơ sở lý thuyết



AiNet có thể được xem như một mơ hình mạng miễn dịch nhân tạo tiến hố, bởi

vì các chiến lược tiến hố dựa trên các biển đổi và chọn lọc di truyền bên trong một

quần thể các kháng thể được sử dụng để điều khiển tính linh động và mềm dẻo của

mạng. Nhiều nghiên cứu cho thấy aiNet có khả năng phát hiện các giải pháp tối ưu.

Ainet cũng là một hệ thống kết nối, ma trận các cường độ kết nối được xác định để xác

định ái lực giữa các tế bào trong mạng. Giải thuật huấn luyện mạng hướng đến việc

xây dựng một tập nhớ có thể nhận biết tổ chức cấu trúc của dữ liệu huấn luyện.

Mặt khác, ta có thể xem AiNet như là một phiên bản nâng cao hơn của mơ hình

chọn lọc nhân bản. Ở đây, khơng chỉ sự tương tác giữa kháng thể và kháng nguyên

được xem xét mà them bào đó, sự tương tác giữa các kháng thể với nhau cũng được

quan tâm, để xây dựng nên một mạng các khảng thể, loại bỏ các kháng thể dư thừa

nhằm nâng cao tính tổng quát của cả hệ thống.

2.2.4 Các lĩnh vực ứng dụng AIS

2.2.4.1 Điều khiển

Hiện nay, trong các hệ thống điều khiển, đặc biệt là các hệ thống tự động hoá hỗ

trợ cho con người như việc tự động lái xe, điều khiển máy bay tự động, dây chuyền sản

xuất tự động, AIS được sử dụng rộng rãi, kết hợp với các mơ hình tin-sinh học khác

như giải thuật di truyền, mạng nơ-ron nhân tạo để xây dựng nên các hệ thống có khả

năng học được những thao tác phức tạp trong quá trình điều khiển.

2.2.4.2 An ninh máy tính

Trong lĩnh vực an ninh máy tính, việc đồng nhất cơ chế bảo vệ của cơ thể người

với việc bảo vệ sự an toàn của hệ thống máy tính mang đến khả năng ứng dụng nhiều

mơ hình sinh học vào giải quyết bài tốn chống truy cập bất hợp pháp hay phát hiện mã

độc hại. Trong việc vận dụng mơ hình hệ miễn dịch nhân tạo, mỗi kháng thể chính là



31



Chương 2. Cơ sở lý thuyết



các bộ phát hiện có khả năng nhận dạng ra các yếu độ xâm nhập độc hại chính là các

kháng ngun.

2.2.4.3 Tối ưu hóa

Nhiều mơ hình của hệ miễn dịch nhân tạo được vận dụng vào giải quyết bài tốn

tìm lời giải tốn ưu cho các vấn đề khơng thể giải được theo các thông thường. Việc

vận dụng cơ chế tiến hoá quần thể của giải thuật di truyền vào trong các mơ hình hễ

miễn dịch nhân tạo cũng như việc kết hợp mạng nơ-ron nhân tạo giúp xây dựng nên

các mơ hình học có khả năng tăng cương tính hội tụ của thuật toán, sự đa dạng của

quần thể các giải pháp,…

2.2.4.4 Khai phá dữ liệu

Trong lĩnh vực khai phá dữ liệu, nhờ khả năng phân nhỏ dữ liệu để học và phát

sinh nên tập các kháng thể cũng như tính tổng quát cáo của các lời giải được phát sinh,

AIS được áp dụng rộng rãi, cụ thể như phân lớp DNA sinh học, phân tích dữ liệu y

học, thương mại, chuẩn đoán cấu trúc protein



2.3 Mạng nơ-ron nhân tạo

Trong các mơ hình máy học mơ phỏng sinh học, mạng nơ-ron nhân tạo là mơ

hình được sử dụng rộng rãi nhất. Về bản chất, mạng nơ-ron nhân tạo là một mạng lưới

xử lý thông tin được phát triển dựa trên cơ chế hoạt động của hệ thần kinh con người

và động vật. Những đặc tính quan trọng nhất của mạng thần kinh sinh học được mô

phỏng trong mạng nơ-ron sinh học bao gồm khả năng học kinh nghiệm thông qua huấn

luyện, khả năng lưu trữ thông tin và sử dụng thơng tin này để dự đốn các dữ liệu chưa

biết.



32



Chương 2. Cơ sở lý thuyết



2.3.1 Cấu trúc cơ bản của mạng nơ-ron nhân tạo

2.3.1.1 Cấu trúc của một nơ-ron nhân tạo

Mạng nơ-ron nhân tạo là một mạng lưới các đơn vị xử lý cơ bản được kết nối

lẫn nhau. Mỗi đơn vị xử lý này có khả năng thực hiện một chức năng tính tốn độc lập

và được gọi là một nơ-ron.



Hình 2.4 Cấu tạo nơ-ron nhân tạo



Một nơ-ron bao gồm 3 thành phần chính, đầu tiên là một tập các đầu vào, mỗi

liên kết vào này có một giá trị trọng số quy định tầm quan trọng của chúng. Mộ hàm

tổng hợp được dung để tính tốn giá trị đầu vào, thương được dùng ở dạng tuyến tính.

Và một hàm kích hoạt có chức năng biến đổi kết quả đầu vào thành một dạng đầu ra.



33



Chương 2. Cơ sở lý thuyết



2.3.1.2 Cấu trúc của mạng nơ-ron



Hình 2.5 Cấu trúc mạng nơ-ron đa lớp



Một ANN thường có cấu trúc phân lớp, với 3 thành phần chính là lớp input, lớp

output và tập các lớp ẩn.

Lớp Input có nhiệm vụ chính là nhận các dữ liệu đầu vào và truyền dữ liệu vào

các phân lớp nơ-ron phía trong. Lớp Output bao gồm các nơ-ron đảm nhiệm chức năng

xử lý đầu ra cuối cùng của cả mạng. Lớp ẩn có thể bao gồm từ một hai nhiều lớp khác

nhau, mỗi lớp nhận dữ liệu từ các lớp trước đó, xử lý, và truyền tải lại kết quả đầu ra

cho các nơ-ron phía sau.



34



Chương 2. Cơ sở lý thuyết



2.3.2 Một số loại mạng nơ-ron nhân tạo

2.3.2.1 Mạng dẫn tiến

Trong mạng dẫn tiến liên kết giữa các nơ-ron không tồn tại một chu trình. Tín

hiệu đi một chiều từ các nơ-ron lớp vào lần lượt qua các lớp ẩn và cuối cùng đi ra ở nơron lớp ra. Kiến trúc này đáp ứng nhanh và ổn định đối với một tín hiệu đưa vào mạng.

Liên kết giữa các lớp có thể là loại liên kết đầy đủ (fully connected) hoặc liên kết một

phần (partly connected).

Giải thuật học của mạng dẫn tiến là giải thuật lan truyền ngược.



Hình 2.6 Mạng dẫn tiến



Trong các kiểu mạng đã tìm hiểu, kiểu mạng dẫn tiến rất phù hợp với mục tiêu

nghiên cứu của học viên. Đây là kiểu mạng được trình bày và sử dụng xuyên suốt báo

cáo.

2.3.2.2 Mạng hồi quy Hopfield

Trong mạng hồi quy Hopfield, bên cạnh các kết nối tương tự như trong kiểu

mạng dẫn tiến, các kết nối ngược được xây dựng để định hướng dòng dữ liệu đầu ra trở

lại đầu vào, để xây dựng khả năng ghi nhớ của mạng nơ-ron.



35



Chương 2. Cơ sở lý thuyết



Hình 2.7 Mạng hồi quy



2.3.2.3 Mạng cạnh tranh

Mơ hình mạng cạnh tranh thuộc kiểu học khơng giám sát, xây dựng nên các nút

mạng có khả năng cạnh tranh với nhau để giành quyền phản hồi. Kiểu mạng này có

thuộc tính khác với dạng lan truyền ngược, ở đây, sự kiểm soát của người dùng được

hạn chế mà thay vào đó, mạng no-rơn sẽ tiến hành cạnh tranh trong mạng và tự quyết

định mẫu đầu vào nào sẽ được học. Kết quả của quá trình này là khả năng nhận dạng

các một mẫu nào đó tồn tại trong dữ liệu thích hợp cho việc xác định các mẫu trong thị

trường tiền tệ và giao dịch chứng khoán.

2.3.2.4 Mạng nơ-ron hàm radial

Trong mơi hình này, các hàm kích hoạt được sử dụng là loại hàm dạn radial, tức

là kết quả xuất ra phụ thuộc vào khoảng cách đến một điểm nào đó. Dữ liệu nhập qua

các hàm radial, tính tốn các thơng số, các giá trị này được tổ hợp tuyến tính và trả về

đầu ra của mạng.



36



Chương 2. Cơ sở lý thuyết



Hình 2.8 Mạng nơ-ron hàm radial



2.3.3 Ứng dụng

2.3.3.1 Ứng dụng trong khoa học người máy

Các ứng dụng phức tạp trong khoa học người máy của mạng nơ-ron bao gồm hệ

thống điều khiển, hệ thống quan sát và hệ thống cảm biến khác, bộ cung ứng năng

lượng thông minh. Dưới đây là một mạng nơ-ron đơn giản minh họa một robot, hãy

cùng quan sát một phương tiện di chuyển với hai cảm biến va chạm phía trước:



37



Chương 2. Cơ sở lý thuyết



Hình 2.9 Cấu trúc mạng nơ-ron trong robot di chuyển



Mạng nơ-ron này có thể được huấn luyện bằng giải thuật lan truyền ngược để di

chuyển qua vật cản trên đường đi của robot. Tập huấn luyện bao gồm những đầu vào

tương ứng với các tính thế khác nhau mà robot có thể nhận ra được và các hành vi đích

cho phép robot né được vật cản. Ta sẽ cần thêm hệ thống mạch điện nhằm định thời

cho phép robot xử lý trong những tính huống phức tạp, ví dụ như lái ra khỏi góc đường

(khi đó động cơ bên trái hoặc phải sẽ được tắt trong khoản thời gian ngắn rồi được bật

lại).

2.3.3.2 Hệ logic huấn luyện phổ biến

Robot điều khiển như trên là một ví dụ của mạng nơ-ron được huấn luyện để tạo

ra một bảng chân trị. Mạng nơ-ron có thể được xem như một hệ logic phổ biến, có khả

năng học để tạo ra bất kì bảng chân trị nào.



Hình 2.10 Mạng nơ-ron huấn luyện logic



Nếu đầu ra của nơ-ron là hàm Xích-ma, thì các nơ-ron có thể xem như là loại

logic mờ, và tạo ra các đầu ra tuần tự, hữu ích trong xử lý các vấn đề của thế giới thực.

Hai ưu điểm khi sử dụng mạng nơ-ron như một hệ logic là khả năng kháng nhiễu và

không cần quan tâm đến thiết kế chi tiết của nó.



38



Tài liệu bạn tìm kiếm đã sẵn sàng tải về

Thuật toán chọn lọc nhân bản:

Tải bản đầy đủ ngay(0 tr)

×