Artificial immune networks for real-parameter optimization : a concentration-based approach

Meta-heurísticas baseadas no paradigma de Sistemas Imunológicos Artificiais (SIAs), especialmente aquelas inspiradas na teoria da Rede Imunológica, são reconhecidamente capazes de estimular a geração de conjuntos diversos de soluções para um dado problema, mesmo utilizando-se de mecanismos muito simples de controle da dinâmica da rede. Por outro lado, na literatura de SIAs há uma série de estudos que propõem modelos computacionais mais elaborados, geralmente baseados no conceito de concentração de anticorpos, que conseguem explicar melhor o comportamento dessas redes. Diante disso, neste trabalho é proposto um novo algoritmo imunoinspirado para otimização em espaços contínuos, denominado cob-aiNet (Concentration-based Artificial Immune Network), que emprega o conceito de concentração de anticorpos para promover um melhor controle da dinâmica da rede, permitindo assim obter uma melhor cobertura das regiões promissoras do espaço de busca. Esta propriedade da cob-aiNet foi verificada em uma série de análises experimentais, nas quais o algoritmo foi comparado a outras técnicas baseadas em paradigmas distintos, além de dois outros SIAs já propostos na literatura. Os experimentos mostraram que o algoritmo cob-aiNet, além de sua capacidade de manutenção de diversidade ao longo de toda a execução, é competitivo na aproximação do ótimo global dos problemas. Diante disso, também foi proposta neste trabalho uma extensão da cob-aiNet para tratar problemas de otimização multiobjetivo, denominada cob-aiNet[MO] (Concentration-based Artificial Immune Network for Multiobjective Optimization). Assim como um conjunto bem reduzido de propostas da literatura, a cob-aiNet[MO] é capaz de tratar problemas de otimização multiobjetivo que requerem uma manutenção adequada de diversidade também no espaço das variáveis de decisão, não apenas para superar as dificuldades introduzidas pela multimodalidade mas também para facilitar o processo de escolha a posteriori da solução que será efetivamente adotada na prática. Uma série de análises experimentais foram feitas com o algoritmo cob-aiNet[MO], sendo observado que esta ferramenta apresentou resultados superiores na maioria dos problemas, tanto em aproximação da fronteira de Pareto quanto em manutenção de diversidade.Metaheuristics based on the Artificial Immune System (AIS) framework, especially those inspired by the Immune Network theory, are known to be capable of stimulating the generation of diverse sets of solutions for a given problem, even though they generally implement very simple mechanisms to control the dynamics of the network. However, there are several studies in the AIS literature that propose more elaborate computational models, generally based on the concept of concentration of antibodies, which better explain the behavior of such networks. Therefore, in this work we propose a novel immune-inspired algorithm for real-parameter optimization, named cob-aiNet (Concentrationbased Artificial Immune Network), that adopts the concept of concentration of antibodies to better control the dynamics of the network, so that a broader coverage of promising regions of the search space can be achieved. This property of cob-aiNet was verified in a series of experimental analyses, in which the algorithm was compared to several techniques based on distinct paradigms, including two popular AISs from the literature. The experiments have shown that cob-aiNet, besides being able to maintain diversity during all the iterations, is also competitive with respect to the approximation of the global optima of the problems. Therefore, it was also proposed in this work an extension of cob-aiNet to deal with multiobjective optimization problems, which was named cob-aiNet[MO] (Concentration-based Artificial Immune Network for Multiobjective Optimization). Like a small set of techniques from the literature, cob-aiNet[MO] is capable of dealing with multiobjective optimization problems that also require a proper maintenance of diversity in the decision space, not only to overcome difficulties introduced by multimodality but also to facilitate the post-optimization decision making process. A series of experimental analyses were also made with cob-aiNet[MO], and it was observed that this algorithm presented better results in most of the considered problems, with respect to both the approximation of the Pareto front and diversity maintenance