MAIM: A Novel Island Based Evolutionary Classification Algorithm

Abstract

Immunsystemet er uten tvil et av naturens mest tilpasningsdyktige, distribuerte og selvorganiserende systemer. Det har egenskapen til å kunne gjenkjenne unormalheter, altså noe som avviker fra den vanlige regelen. Når immunprinsipper brukes i algoritmer, løser de effektivt både optimaliserings- og mønstergjenkjenningsproblemer. Imidlertid fyller ikke slike algoritmer noen definert nisje der det er det anses som det beste verktøyet for jobben, ettersom mange av immunsystemets naturlige egenskaper ikke blir tilstrekkelig utnyttet. Derav utnytter dette arbeidet immunforsvarets iboende distribuerte natur for å forbedre klassifikasjonseffektiviteten og nøyaktigheten i sammenligning med et mer tradisjonelt kunstig immunsystem (AIS), samtidig som det beveger seg videre mot en mer definert nisje for AIS-algoritmer. I det følgende arbeidet, foreslås en ny hybrid klassifiseringsalgoritme MAIM, som kombinerer AIS med en øy-modell (IGA). Den foreslåtte algoritmen benytter en distribuert AIS-populasjon med delvis isolerte underpopulasjoner, som kommuniserer gjennom utveksling av genetisk materiale.

Dette arbeidet er en grundig undersøkelse av egenskapene til de nevnte teknikkene og hvordan de på kan kombineres for å oppnå de ønskede ytelsesforbedringene. Deretter presenteres og evalueres nøkkelfunksjoner i den foreslåtte modellen MAIM, med tanke på dens bidrag til klassifiseringsnøyaktighet og effektivitet. Videre blir begrensninger av modellen undersøkt, som igjen resulterer i videre revideringer av modellen for ytterligere forbedringer. Til slutt viser MAIM til å ha en svært effektiv arkitektur, som har en generaliseringsevne på nivå med moderne algortimer.

The immune system is arguably one of nature's most highly adaptive, distributed and self-organising systems. It has the property of being able to recognise anomalies, something that deviates from the common rule. When immune principles are applied in algorithms they are effective solvers of both optimisation and pattern recognition problems. However, such algorithms typically do not fill any defined niche where it is the best tool for the job, as many of the immune system's natural properties are not sufficiently utilised. Further, one such property is the immune system's inherent distributed nature which the work herein exploits in order to enhance classification efficiency and accuracy over that of a more traditional Artificial Immune System (AIS). To this end a novel hybrid classification algorithm MAIM is proposed, combining AIS with an Island Model Genetic Algorithm (IGA). Consequently, the proposed algorithm employs a distributed AIS population with partially isolated sub-populations that communicate through exchanging genetic material.

The following work thoroughly investigates the properties of the individual techniques and components chosen for the proposed algorithm and their likely applicability in achieving the performance enhancements sought. Subsequently, key features of the model are presented and evaluated through testing in terms of their contribution to accuracy and efficiency. As a result, model properties are discovered and limitations investigated, resulting in components being revised in order to further enhance model performance. Consequently, MAIM is shown to employ a computationally efficient architecture while simultaneously possessing a generalisation ability on par with several state of the art algorithms.