Cap 4

CAPTULO 4 SISTEMAS INTELIGENTES E O SISTEMA IMUNOLGICO
Este captulo faz uma reviso de tpicos especficos da teoria de sistemas inteligentes, destacando as redes neurais artificiais e os algoritmos evolutivos. O objetivo no apenas o de salientar similaridades e diferenas entre estas teorias, o sistema imunolgico biolgico (Captulo 2) e os sistemas imunolgicos artificiais (Captulo 3), mas tambm o de apresentar alguns dos algoritmos que sero utilizados na comparao de desempenho com as ferramentas a serem propostas no Captulo 5. Uma breve discusso sobre computao molecular e sistemas nebulosos tambm feita. Sero apresentados pontos de vista cognitivos do sistema imunolgico biolgico, e a resposta imune adaptativa guiada pelo princpio da seleo clonal ser caracterizada como uma microevoluo segundo a teoria Darwiniana.
A inteligncia uma faculdade especial, prpria de certas classes de seres orgnicos, aos quais d, com o pensamento, a sua vontade de agir, a conscincia de sua existncia e de sua individualidade, assim como os meios de estabelecer relaes com o mundo exterior e de prover as suas necessidades A. Kardec
4.1.
Introduo
Ao introduzir a proposta de engenharia imunolgica na Seo 3.2, foram discutidos diversos componentes da teoria de sistemas inteligentes, como inteligncia artificial clssica, redes neurais artificiais, computao evolutiva, vida artificial, sistemas nebulosos e computao molecular ou computao de DNA. Aprofundando-se no estudo de cada uma destas abordagens, seria possvel perceber a existncia de diversas caractersticas comuns entre elas, os sistemas imunolgicos biolgicos e os sistemas imunolgicos artificiais. Entretanto, devido ao enfoque adotado nesta tese, daremos prioridade ao estudo das redes neurais artificiais (Seo 4.2) e da computao evolutiva (Seo 4.4). Alguns comentrios sero feitos, na Seo 4.6, tentando relacionar o SI com os sistemas nebulosos e a computao molecular. Alm disso, muitos dos algoritmos de treinamento de redes neurais e de computao evolutiva revisados neste captulo sero empregados para comparaes com as ferramentas a serem propostas no Captulo 5. Os leitores que detiverem conhecimentos sobre redes neurais artificiais e computao evolutiva podem ir direto s Sees 4.3, 4.5 e 4.6, sem perda da seqncia do trabalho.
84
Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico
4.2.
Redes Neurais Artificiais
Definio 4.1: Uma rede neural artificial (RNA) um sistema de processamento massivamente paralelo, composto por unidades simples com capacidade natural de armazenar conhecimento e disponibiliz-lo para uso futuro (Haykin, 1999). As RNAs assemelham-se ao crebro em dois aspectos: Elas extraem conhecimento do ambiente atravs de um processo de aprendizagem ou treinamento; e Os pesos das conexes entre os neurnios, conhecidos como pesos sinpticos, so utilizados para armazenar o conhecimento adquirido.
A Figura 4.1 apresenta um modelo de neurnio biolgico com a seqncia de propagao dos sinais pela clula. Os neurnios artificiais tambm so chamados de ns, ou unidades. A natureza das RNAs faz com que seu estudo seja multidisciplinar, envolvendo pesquisadores de diversas reas, como neurofisiologia, psicologia, fsica, computao e engenharia. Neurofisiologistas e psiclogos esto particularmente interessados em compreender o funcionamento do sistema neural humano. As caractersticas de resposta a estmulos apresentada por neurnios individuais, bem como redes de neurnios, so alvo de estudo dos neurofisiologistas, enquanto os psiclogos estudam funes do crebro tratando aspectos cognitivos e esto interessados na utilizao de tcnicas baseadas em redes neurais para criar modelos detalhados do comportamento humano. Cientistas da rea de computao tm em vista a construo de computadores dotados de processamento paralelo e distribudo, buscando superar as limitaes impostas pelos computadores atuais, que realizam processamento serial simblico.
Dendritos
Propagao do sinal
Sinapses
Axnio
Corpo celular (soma)
Figura 4.1.
Clula neural biolgica (as setas largas indicam a seqncia de propagao de sinais pelos neurnios).
Leandro Nunes de Castro
Engenharia Imunolgica
85
Entradas
x1 x2
w1 w2 wn
Pesos das conexes
. . xn .
Sada (y)
Funo de ativao f()
Figura 4.2.
Representao funcional de um neurnio artificial.
Inspirados na habilidade apresentada pelos seres humanos e outros animais no desempenho de funes como o processamento de informao sensorial e a capacidade de interao com ambientes pouco definidos, os engenheiros esto preocupados em desenvolver sistemas artificiais capazes de desempenhar tarefas semelhantes. Habilidades como capacidade de processamento de informao incompleta ou imprecisa e generalizao so propriedades desejadas em tais sistemas. McCulloch & Pitts (1943) projetaram a estrutura que conhecida como a unidade bsica de uma rede neural. Estes pesquisadores propuseram um modelo de neurnio como uma unidade de processamento binria (Figura 4.2) e provaram que estas unidades so capazes de executar vrias operaes lgicas (OU, AND, etc.). Este modelo, apesar de muito simples, trouxe uma grande contribuio para as discusses sobre a construo dos primeiros computadores digitais, permitindo a criao dos primeiros modelos matemticos de dispositivos artificiais que buscavam analogias biolgicas. Matematicamente, o neurnio da Figura 4.2 pode ser expresso por:
(4.1) y = f(u) = f(x1w1 + x2 w2 + ... + xnwn) = f(wTx), onde y a sada do neurnio, u a ativao do neurnio, f() sua funo de ativao, xi (i = 1,...,n) o i-simo componente do vetor x de entradas, e wi (i = 1,...,n) o i-simo componente do vetor w de pesos do neurnio.
4.2.1. Caractersticas Principais

As redes neurais artificiais tm sido desenvolvidas como generalizaes de modelos matemticos de cognio humana ou neurobiologia, assumindo que: O processamento da informao ocorre com o auxlio de vrios elementos chamados neurnios; Os sinais so propagados de um elemento a outro atravs de conexes; Cada conexo possui um peso associado, que, em uma rede neural tpica, pondera o sinal transmitido; e Cada neurnio (ou unidade) possui uma funo de ativao (geralmente no-linear), que tem como argumento a soma ponderada dos sinais de entrada, para determinar sua sada.
86
Uma rede neural pode ser caracterizada por trs aspectos principais: (1) padro de conexes entre as unidades (arquitetura ou estrutura), (2) mtodo de determinao dos pesos das conexes (algoritmo de treinamento ou aprendizagem) e (3) funo de ativao. 4.2.1.1. Arquitetura
A forma pela qual os neurnios de uma RNA esto estruturados (interconectados) est intimamente relacionada ao algoritmo de aprendizagem a ser utilizado para trein-la. A classificao dos algoritmos de aprendizagem ser apresentada na Seo 4.2.1.2. Nesta seo, ser feita uma breve descrio das principais arquiteturas de redes neurais artificiais. Em geral possvel distinguir trs classes fundamentais de arquiteturas: redes feedforward de uma nica camada, redes feedforward de mltiplas camadas e redes recorrentes. 4.2.1.1.1. Redes Feedforward de Uma nica Camada No caso mais simples de redes em camadas (layers), tem-se uma camada de entrada com neurnios cujas sadas alimentam a ltima camada da rede. Geralmente, os neurnios de entrada so propagadores puros, ou seja, eles simplesmente repetem o sinal de entrada em sua sada distribuda. Por outro lado, as unidades de sada costumam ser unidades processadoras, como apresentado na Figura 4.2. A propagao de sinais nesta rede puramente unidirecional (feedforward): os sinais so propagados apenas da entrada para a sada, e nunca vice-versa. Esta arquitetura est ilustrada na Figura 4.3(a) e a direo de propagao dos sinais na Figura 4.3(b).
Unidade propagadora
Unidade processadora
Propagao do sinal funcional
Camada de entrada
Camada de sada
(a)
Figura 4.3.
(b)
Redes neurais tipo feedforward com uma nica camada de unidades processadoras. (a) Arquitetura. (b) Sentido de propagao do sinal funcional.
87
4.2.1.1.2. Redes Feedforward de Mltiplas Camadas A segunda classe de rede feedforward se distingue pela presena de uma ou mais camadas intermedirias ou escondidas (camadas em que os neurnios so efetivamente unidades processadoras, mas no correspondem camada de sada). Adicionando-se uma ou mais camadas intermedirias, aumenta-se o poder computacional de processamento no-linear e armazenagem da rede. O conjunto de sadas dos neurnios de cada camada da rede utilizada como entrada para a camada seguinte. A Figura 4.4(a) ilustra uma rede feedforward de mltiplas (duas) camadas intermedirias. As redes feedforward de mltiplas camadas, so geralmente treinadas usando o algoritmo de retro-propagao do erro (error backpropagation), embora existam outros algoritmos de treinamento. Este algoritmo requer a propagao direta (feedforward) do sinal de entrada atravs da rede, e a retro-propagao (propagao reversa, ou backpropagation) do sinal de erro, como ilustrado na Figura 4.4(b).
Propagao do sinal funcional Retro-propagao do erro
Camada de entrada
Primeira camada escondida
Segunda camada escondida
Camada de sada
(a)
Figura 4.4.
(b)
Redes neurais tipo feedforward com mltiplas camadas. (a) Arquitetura. (b) Sentido de propagao do sinal funcional e do sinal de erro.
4.2.1.1.3. Redes Recorrentes As redes recorrentes distinguem-se das redes feedforward pela existncia de pelo menos um lao (loop) de recorrncia (feedback). Por exemplo, uma rede recorrente pode consistir de uma nica camada de neurnios com cada neurnio alimentando seu sinal de sada de volta para a entrada de todos os outros neurnios, como ilustrado na Figura 4.5. O lao de recorrncia possui um grande impacto na capacidade de aprendizagem e no desempenho da rede (dos Santos & Von Zuben, 2000). Alm disso, este lao envolve a utilizao de ramos particulares compostos de unidades de retardo (z1), resultando em um comportamento dinmico no-linear, assumindo que a rede possui componentes no-lineares.
88
Z1
Z1
Z1
Figura 4.5.
Arquitetura recorrente de rede sem nenhuma camada intermediria.
4.2.1.2.
Mtodos de Aprendizagem
A capacidade de aprendizagem uma das caractersticas marcantes das RNAs. Uma rede neural aprende, basicamente, atravs de um processo iterativo de ajuste de pesos e limiares (bias). Atualmente, existem processos mais sofisticados de aprendizagem (ou treinamento), que so capazes de ajustar no apenas os pesos da rede, mas tambm sua arquitetura e as funes de ativao dos neurnios (Von Zuben, 1996, Kwok & Yeung, 1997, de Castro et al., 1999a,b; de Castro & Von Zuben, 1999c). Definio 4.2: Aprendizagem (ou treinamento) o processo pelo qual os parmetros livres de uma rede neural so adaptados atravs de um mecanismo de apresentao de estmulos fornecidos pelo ambiente no qual a rede est inserida. O tipo de treinamento definido pela forma na qual os parmetros so modificados (Haykin, 1999). Esta definio de aprendizagem implica na seguinte seqncia de eventos: Apresentao de estmulos rede neural; Alterao dos parmetros livres da rede; e Novo padro de resposta ao ambiente.
Os principais paradigmas de aprendizagem so: (1) supervisionada, (2) no-supervisionada, e (3) por reforo. 4.2.1.2.1. Aprendizagem Supervisionada Trata-se de um paradigma de aprendizagem, no qual um supervisor possui conhecimento sobre o ambiente em que a rede est inserida. Este conhecimento est representado sob a forma de um conjunto de amostras de entrada-sada. O ambiente, por sua vez, desconhecido. A Figura 4.6 ilustra esta abordagem. Os parmetros da rede so ajustados pela combinao do sinal de entrada com um sinal de erro, que a diferena entre a sada desejada e a fornecida pela rede.
89
Vetor descrevendo o estado do ambiente Sada desejada (d) Ambiente Supervisor
+
Sistema em Aprendizagem Sada atual (y)
Sinal de erro (e)
Figura 4.6.
Diagrama de blocos do processo de aprendizagem supervisionada.
Seja t o ndice que denota tempo discreto ou, mais precisamente, o intervalo de tempo do processo iterativo responsvel pelo ajuste de pesos do neurnio k. O nico sinal de sada yk(t), do neurnio k, comparado com uma sada desejada, denominada dk(t). Consequentemente, um sinal de erro ek(t) produzido: ek(t) = dk(t) yk(t).
(4.2)
4.2.1.2.2. Aprendizagem No-Supervisionada No processo de aprendizagem no-supervisionada ou auto-organizada, no existe um supervisor para avaliar o desempenho da rede em relao ao conjunto de treinamento (Figura 4.7), ou seja, os dados so no-rotulados. A rede se adapta a regularidades estatsticas dos dados de entrada, desenvolvendo a habilidade de criar representaes internas para codificar caractersticas da entrada e, assim, gerar novas classes automaticamente. Geralmente os algoritmos auto-organizados utilizam aprendizagem competitiva. Na aprendizagem competitiva, os neurnios de sada da rede competem entre si para se tornarem ativos. Um nico neurnio de sada ativado a cada iterao. Esta caracterstica torna o algoritmo apropriado para descobrir caractersticas estatsticas salientes, que podem ser utilizadas para classificar um conjunto de padres de entrada.
Vetor de estado do ambiente Ambiente Sistema em Aprendizagem
Figura 4.7.
Diagrama de blocos dos processos auto-organizados.
90
Existem trs elementos bsicos para uma regra de aprendizagem competitiva: Um conjunto de neurnios iguais, exceto pelos pesos das conexes; Um limite imposto ao peso de cada neurnio; e Um mecanismo de competio entre os neurnios. Aquele que vencer a competio chamado de vencedor (winner-takes-all).
Neurnios individuais aprendem a se especializar em grupos (ou clusters) de padres similares, tornando-se detectores de caractersticas para diferentes classes de padres de entrada. Em sua forma mais simples, uma rede competitiva possui uma nica camada de neurnios de sada, totalmente interconectados. Tambm existem conexes laterais entre os neurnios, como indicado na Figura 4.8, capazes de efetuar uma inibio lateral entre os neurnios vizinhos. Para um neurnio k ser o vencedor, seu campo induzido local vk em relao a um determinado padro x deve ser o maior de toda a rede. O sinal de sada yk do neurnio vencedor k setado em 1, e o sinal de sada de todos os outros neurnios que perderam a competio setado em 0
1 se v k > v j j, j k yk = , demais casos 0
(4.3)
onde o campo induzido local vk representa a ao combinada das entradas positivas e laterais do neurnio. Se um neurnio no responde a um determinado padro de entrada, nenhuma aprendizagem ocorre. Por outro lado, se um neurnio ganha a competio, um ajuste wk,j aplicado ao vetor de pesos wk,j deste neurnio vencedor
x wk , j ) se k vence a competio , wk , j = j 0 se k perde a competio
(4.4)
onde a taxa de aprendizagem. Esta regra possui o efeito geral de mover o vetor de pesos wk,j do neurnio vencedor k na direo do correspondente padro de entrada x.
Figura 4.8.
Arquitetura de uma rede competitiva simples com conexes diretas (feedforward) excitatrias da entrada para a sada e conexes laterais inibitrias (setas tracejadas).
91
4.2.1.2.3. Aprendizagem por Reforo A aprendizagem por reforo enfatiza a aprendizagem do indivduo atravs da interao direta com o ambiente, sem se basear em uma superviso ou um modelo completo deste ambiente, visando minimizar um ndice escalar de desempenho. A Figura 4.9 ilustra um tipo de aprendizagem por reforo (Haykin, 1999) baseado em um crtico que converte um sinal primrio de reforo recebido do ambiente em um sinal de reforo de maior qualidade chamado sinal de reforo heurstico. O objetivo da aprendizagem minimizar uma esperana do erro acumulado, ao invs de simplesmente tratar o erro atual.
Vetor de estado (entrada) Ambiente Crtico
Reforo primrio
Reforo heurstico Sistema em Aprendizagem Aes
Figura 4.9.
Diagrama de blocos do processo de aprendizagem por reforo.
4.2.2. Modelos Neurais e Algoritmos de Treinamento

Existem diversas arquiteturas e algoritmos de treinamento distintos para as redes neurais artificiais. Dentre elas destacam-se o perceptron de uma ou mais camadas, as redes neurais de funo de base radial (RBF radial basis function), as redes de Kohonen (1982) e as redes de Hopfield. Esta seo tem por objetivo descrever apenas as redes do tipo RBF, as de Kohonen (auto-organizadas) e as redes de Hopfield discretas, que foram utilizadas nesta tese principalmente para efeito de comparao de desempenho em aplicaes em que foram utilizados os algoritmos de engenharia imunolgica a serem propostos. 4.2.2.1. Redes Neurais de Base Radial (RBF)
Uma rede neural com funo de ativao de base radial (RBF radial basis function) pode ser vista como uma rede feedforward de mltiplas camadas (Seo 4.2.1.1.2), contendo trs camadas com papis completamente distintos (Broomhead & Lowe, 1988). A camada de entrada composta por unidades sensoriais que conectam a rede a seu ambiente. A segunda camada (nica camada intermediria) aplica uma transformao no-linear do espao de entrada para o espao intermedirio. As unidades intermedirias no-lineares tm ativao local e suas respostas correspondem s ativaes das funes de base radial.
92
x1 x2 . . . xp
Camada de entrada
g1 . . . w1,k gk G . wo,k . . gm
Camada intermediria
w1,1 wo,1 y1 . . . w1,m wo,m

Camada de sada
y1
yo
yo
Figura 4.10.
Rede neural com funes de ativao de base radial (RBF).
A camada de sada linear, fornecendo cada sada da rede como uma combinao linear das respostas das unidades intermedirias (Haykin, 1999; Karayiannis & Mi, 1997). A Figura 4.10 ilustra uma rede RBF com mltiplas sadas (note a presena de um nico conjunto de pesos ajustveis, w, entre as unidades intermedirias e de sada). Para um vetor de entrada p-dimensional x = (x1, ..., xp), onde x X p, a sada da rede RBF pode ser determinada da seguinte forma
yi = w iT g = wi , j g j ,
j =1
i = 1,..., o
(4.5)
onde wi = [wi,1, ... , wi,m]T, i = 1,...,o, so os vetores de peso para cada neurnio i de sada, g = [g1, g2, ... , gm]T o vetor com os valores de ativao das funes base, e o a quantidade de neurnios de sada da rede. Dado um conjunto de vetores prottipos cj p, j = 1,...,m, a sada de cada RBF
g j = h(|| x c j ||, j ), j = 1,..., m
(4.6)
onde hj( ) a funo base e || || uma norma, geralmente Euclidiana, definida no espao de entrada. As escolhas de h consideradas na literatura incluem h(r) = r (linear), h(r) = r3 (cbica), h(r) = r2 log r (thin-plate spline), h(r) = exp(r2/2) (Gaussiana), h(r) = sqrt(r2+1) (multiqudrica), and h(r) = 1/sqrt(r2+1) (multiqudrica inversa), onde em todos os casos r o raio escalonado ||x cj||/j (Broomhead & Lowe, 1988; Poggio & Girosi, 1990; Chen et al., 1991; Elanayar & Shin, 1994; Whitehead & Choate, 1996). As funes de base radial foram originalmente propostas na implementao de mtodos de interpolao, e suas propriedades como interpolantes tm sido extensivamente estudadas (Poggio & Girosi, 1990; Freeman & Saad, 1995). Neste contexto, uma funo de mapeamento y: N satisfazendo a Equao (4.5), para o = 1, deve ser determinada. Considere um conjunto de N dados amostrais {xi p| i = 1,...,N}. Se os valores desejados de y so conhecidos para todas as N amostras, ou seja {di | i = 1,...,N}, ento cada funo base h() pode ser centralizada em uma destas amostras. Assim, existem tantos centros (vetores prottipos) cj quanto dados de treinamento m = N (Powell, 1987). Em notao matricial
93
(4.7) H w = d, onde os vetores d e w de dimenso N1 representam o vetor de sadas desejadas e o vetor de pesos de sada, respectivamente, e H uma matriz NN, denominada matriz de interpolao, que assume a forma:
h(|| x1 cm ||, m ) h(|| x1 c1 ||, 1 ) . H= h(|| x N c1 ||, 1 ) h(|| x N cm ||, m ) A soluo para o problema de interpolao da Equao (4.7) dada por
L O L
(4.8)
w = H1d Resta-nos garantir que a matriz H seja no-singular, tal que a inversa de H exista.
(4.9)
O teorema de Michelli (1986) estabelece como nico pr-requisito para a no-singularidade de H (existncia de H1) que as N amostras sejam diferentes, independentemente dos valores de N e p. Este teorema vlido para as funes multiqudrica e sua inversa e para as demais funes de base radial (RBF). De acordo com Broomhead & Lowe (1988), o processo de interpolao descrito acima pode no ser uma boa estratgia para o treinamento de redes do tipo RBF para algumas classes de problemas, devido a uma m capacidade de generalizao da rede resultante. Alm disso, se N muito grande, e/ou existem muitos dados redundantes, as chances de se obter uma matriz H no-inversvel tambm so grandes. A restrio de ter tantas funes de base radial quanto amostras de treinamento torna o problema sobre-determinado. Para superar estas dificuldades computacionais, a complexidade da rede deve ser reduzida, requerendo uma aproximao para uma soluo regularizada (Poggio & Girosi, 1990). A abordagem empregada envolve a busca de uma soluo sub-tima em um espao de dimenso reduzida. Um novo conjunto de funes base {gj, j = 1,...,m1, m1 < N}, assumidas linearmente independentes, deve ser definido. O novo conjunto de centros {cj | j = 1,...,m1} deve ser determinado e o vetor w*, assumindo o = 1, deve ser tal que resolva o seguinte problema de otimizao minw ||Hw d||2. Desconsiderando o uso do parmetro de regularizao, a soluo w* do problema para m1 < N, simplesmente dada por
(4.10) w* = H1+ d = (H1TH1)1H1Td, onde H1 dada pela Equao (4.11), e H1+ a pseudo-inversa da matriz H1 (Broomhead & Lowe, 1988).
h(|| x1 c1 ||, 1 ) H1 = h(|| x N c1 ||, 1 )
L O L
h(|| x1 cm1 ||, m1 ) . h(|| x N cm1 ||, m1 )
(4.11)
Haykin (1999) sugere que este mtodo relativamente insensvel utilizao do parmetro de regularizao, desde que haja uma escolha adequada dos centros das funes de base radial.
94
4.2.2.1.1. Centros Fixos A abordagem mais simples para o treinamento de uma rede RBF assumir fixos os parmetros cj e j, j = 1,...,m1, das funes de base radial. As localizaes dos centros devem ser escolhidas de alguma forma, geralmente baseada nos dados de treinamento. Assumindo uma funo Gaussiana como funo de base radial e tomando j = , j = 1,...,m1, onde uma medida de disperso associada ao desvio padro dos centros, resulta
1 || x c j || 2 , h(|| x c j || , ) = exp 2 2
2
j = 1,..., m1 ,
(4.12)
onde x o vetor de entradas, cj a localizao do j-simo centro e o desvio padro das RBFs Gaussianas, dado pela seguinte equao
=
d max 2m1
(4.13)
onde m1 a quantidade de funes de base radial e dmax a distncia mxima entre os centros. A Equao (4.13) garante que as RBFs individuais no sero muito achatadas ou alargadas (Haykin, 1999). Assim, os nicos parmetros que ainda precisam ser definidos so os pesos da camada de sada da rede. Um procedimento direto para isso empregar o mtodo da pseudo-inversa apresentado na Equao (4.10). 4.2.2.1.2. Seleo Auto-Organizada de Centros Uma outra abordagem para estimar a localizao apropriada dos centros das RBFs na camada intermediria utilizando uma etapa de auto-organizao antes de estimar os pesos da camada de sada da rede. O algoritmo de clusterizao k-means tende a posicionar os centros das RBFs nas regies do espao de entrada onde dados significativos esto presentes. A determinao de um valor adequado para m1, a quantidade de centros, pode 1 requerer experimentao. Sejam {c k (t )}m=1 os centros das RBFs na iterao t. Assim, o k algoritmo k-means opera como a seguir: 1. Inicializao: Escolha diferentes valores aleatrios para os centros ck(t), k = 1,..., m1. 2. Amostragem: Escolha aleatoriamente uma amostra x(t) a partir dos dados de entrada. 3. Seleo: Determine o ndice k do centro mais prximo ao vetor x(t) de acordo com k(x(t)) = arg mink ||x(t) ck(t)||, k = 1,...,m1, onde ck(t) o centro da k-sima RBF na iterao t. 4. Atualizao: Ajuste os centros das RBFs de acordo com a seguinte regra
k = k ( x) c (t ) + [x(t ) c k (t )], c k (t + 1) = k c k (t ), outros casos
(4.14)
(4.15)
95
onde (0,1) a taxa de ajuste. 5. Ciclo: Repita os Passos de 2 a 5 at que nenhuma variao significativa em ck, k = 1,..., m1, seja observada. Uma limitao do algoritmo k-means que ele s capaz de atingir solues timas locais, dependendo da escolha inicial dos centros. Assim, uma escolha inicial inapropriada dos centros pode resultar em centros posicionados em regies do espao com baixa densidade de dados. 4.2.2.2. Redes de Kohonen
As redes que possuem aprendizado competitivo ou auto-organizado (Seo 4.2.1.2.2) so chamadas redes competitivas ou auto-organizadas, onde os neurnios de sada competem entre si para estarem ativos ou no. Apenas um neurnio de sada, ou um por grupo, ativado a cada iterao. As redes auto-organizadas de Kohonen (1982) so caracterizadas pela formao de um mapa topogrfico dos padres de entrada e, por isso, so denominadas de mapas auto-organizveis de Kohonen (SOM self-organizing maps). No SOM, a localizao espacial dos neurnios auto-organizados vai indicar caractersticas intrnsecas aos padres de entrada. Seu principal objetivo a transformao adaptativa e ordenada de um conjunto de dados de entrada em um mapa (grid) uni- ou bidimensional de sada. Os dados de entrada que apresentam semelhanas entre si so agrupados em regies do mapa de sada, formando classes ou agrupamentos denominados clusters. Durante o processo de auto-organizao do mapa, a unidade do cluster cujo vetor de pesos mais se aproxima do vetor dos padres de entrada escolhida como sendo a vencedora. A unidade vencedora e suas unidades vizinhas tm seus pesos atualizados. Alm disso, estas redes possuem parmetros variveis com o tempo, como a taxa de aprendizagem , e um raio de vizinhana NR que indica quais unidades sero atualizadas simultaneamente. A Figura 4.11 apresenta arquiteturas tpicas de um SOM, considerando configuraes de vizinhana unidimensional e bidimensional, embora dimenses mais elevadas possam ser consideradas (Costa, 1999). Alm disso, dada a dimenso, a quantidade de unidades ou neurnios de sada pode ser arbitrada e mantida fixa, ou ento definida automaticamente pelo algoritmo de treinamento (Fritzke, 1993; Cho, 1997; de Castro & Von Zuben, 1999b).
unidades de sada j
unidades de sada j pesos das conexes wi,j
...
pesos das conexes wi,j
unidades de entrada i
x1
x2
xn
x1
x2
...x n
unidades de entrada i
(a)
(b)
Figura 4.11. Arquiteturas tpicas de um SOM. (a) Bidimensional. (b) Unidimensional.
96
O algoritmo de treinamento padro do SOM apresentado abaixo (Kaski, 1997): 1. Inicializao e definies de parmetros Inicialize os pesos wi,j; Defina NR e . 2. Enquanto a condio de parada falsa, faa: 2.1. Para cada j determine: 2.1.1. J = arg min w j xl
j
2.1.2. j NR de J, e k: w j ,k (t + 1) = w j ,k (t ) + xl ,k w j ,k (t ) 2.2. Atualize a taxa de aprendizagem 2.3. Reduza o raio de vizinhana 3. Teste a condio de parada.
A taxa de aprendizagem decresce lentamente com o tempo. A formao de um mapa ocorre em duas fases: 1) formao inicial da ordem correta do mapa, e 2) convergncia final. No processo de treinamento, NR decrementado de 1 aps um determinado nmero de iteraes at que NR seja igual a zero. Aqui, diz-se que ocorreu uma iterao quando o vetor de padres x1, x2,..., xN tiver sido apresentado uma vez. Os pesos das conexes para o n J e todos os ns em sua vizinhana definidos por NR, como mostrado na Figura 4.12, so atualizados. Outros critrios de vizinhana podem ser definidos. Um mtodo de visualizao de um SOM treinado, denominado matriz de distncias unificadas, ou matriz-U, foi desenvolvido por Ultsch (1993), com o objetivo de permitir a deteco visual das relaes topolgicas dos neurnios.
NR=4 NR=3 NR=2 NR=1 NR=0
NEj (NR=3)
NR=1
NR=2
( )
NR=0
(a)
(b)
Figura 4.12. Vizinhos do n j, NEj (NR) para arquitetura bidimensional (a), e unidimensional (b).
97
Matriz-U
II
III
IV
(a)
(b)
Figura 4.13. Representao da matriz-U. (a) Dados de treinamento e topologia final de uma rede de Kohonen (SOM) para vizinhana unidimensional. (b) Matriz-U.
A idia bsica da matriz-U usar a mesma mtrica utilizada no treinamento da rede para calcular as distncias entre os pesos dos neurnios adjacentes. Para o caso unidimensional, o resultado um histograma no qual a altura de cada barra corresponde distncia do neurnio a seu vizinho mais prximo. Desta forma, possvel visualizar similaridades entre neurnios e portanto determinar a quantidade de clusters existente no conjunto amostral. A Figura 4.13 ilustra a matriz-U para um problema simples de classificao, onde o conjunto de treinamento possui cinco clusters linearmente separveis. Cada vale da Figura 4.13(b) corresponde a um cluster distinto. 4.2.2.3. Redes de Hopfield Discretas
As redes de Hopfield (1982, 1984) possuem suas razes na Fsica Estatstica, mais do que em observaes biolgicas. As redes de Hopfield so totalmente recorrentes e podem ser descritas como um sistema dinmico cujo espao de estados contm um conjunto de pontos fixos (estveis) que representam as memrias fundamentais do sistema. Consequentemente, estas redes possuem uma propriedade emergente que ajuda a recuperar informaes e lidar com rudos. Devem ser vistas como uma memria associativa ou memria enderevel por contedo. Memrias associativas fornecem mecanismos para armazenar e recuperar dados baseados em seu contedo, ao invs de baseado em um endereo de armazenamento. A informao est distribuda pelo sistema (rede neural). A rede de Hopfield originalmente proposta utiliza uma matriz simtrica de pesos, de modo que as realimentaes existentes geram um comportamento dinmico no-linear caracterizado apenas pela presena de pontos fixos. Aps um transitrio inicial, qualquer estado inicial em que a rede se encontre ser conduzido at um dos pontos fixos da dinmica, geralmente associados a memrias fundamentais. A validade deste argumento
98
pode ser mostrada atravs de uma funo de energia e da garantia de que a dinmica sempre dissipativa. Nesta arquitetura no h neurnios intermedirios (Figura 4.5). O estado completo da rede visvel em todos os momentos. A restaurao de um padro feita colocando o padro desconhecido na rede como um estado inicial e permitindo dinmica estabilizar. Iteraes sucessivas do algoritmo mudam o estado da rede de forma a coloc-la prxima a uma das memrias fundamentais. O processo de restaurao no perfeito. Em alguns casos, a rede pode estabilizar em um padro que no uma das memrias fundamentais, conhecido como estado esprio. Estas memrias so caracterizadas, por exemplo, por combinaes lineares de um nmero mpar de memrias fundamentais. Funo de Energia Considere uma rede de Hopfield com pesos simtricos wi,j = wj,i e wi,i = 0, e seja si o estado do neurnio i, onde i = 1, , N. A funo de energia da verso discreta da rede de Hopfield considerada aqui definida por
E=
1 N 2 i=1
j =1
w j , i si s j .
(4.16)
A variao da energia E devido a uma variao sj do estado do neurnio j dada por
E = s j w ji si .
i =1
(4.17)
Os mnimos locais da superfcie de energia correspondem a atratores do espao de estados, que so as memrias da rede. Para garantir a emergncia da memria associativa, duas condies devem ser satisfeitas: 1. As memrias fundamentais armazenadas pela rede serem estveis; e 2. Os padres estveis possurem uma base de atrao (regio de influncia). Algoritmo de Treinamento O algoritmo apresentado aqui colocado para padres bipolares {1,+1}, mas a funo de ativao pode ser modificada facilmente para aceitar padres binrios {0,1}. 1. Utilize a regra de Hebb (Equao (4.18)) ou a regra da projeo (Equao (4.19)) para inicializar os pesos (Haykin, 1999):
W=
p 1 p vi viT N I . N i =1
(4.18) (4.19)
W = P(P.P+)-1PT. 2. Para cada padro de entrada x, faa 2.1. Coloque a ativao inicial igual ao vetor de entrada externo x y=x 2.2. Para cada sada yi 2.2.1. Calcule a entrada de rede
99
y _ ini = yi w j ,i
j
2.2.2. Determine a nova ativao (sinal de sada) 1 se y _ ini > 0 yi = yi se y _ ini = 0 1 se y _ in < 0 i 2.2.3. Propague o valor de yi para todas as outras unidades. 2.3. Teste a convergncia
4.3.
O Sistema Imunolgico e o Sistema Nervoso Central
A interao do sistema imunolgico (SI), o sistema nervoso central (SNC) e o sistema endcrino (SE), os dois ltimos algumas vezes denominados conjuntamente de sistema neuroendcrino (SNE), importante para a garantia da integridade e homeostase do organismo. Nesta seo, pretendemos discutir brevemente sobre a relao entre estes sistemas, mais especificamente entre o SI e o SNC. Para isso, sero discutidos aspectos cognitivos do sistema imunolgico e sero apresentadas similaridades e diferenas entre o SI e o SNC, e entre a engenharia imunolgica e as RNAs apresentadas nas Sees 3.2 e 4.2, respectivamente. A influncia do SNC no SE pode ser claramente observada em situaes como, por exemplo, a necessidade de se correr ao banheiro em um momento de estresse psicolgico, como uma prova ou a defesa de uma tese. Sensaes fsicas de desconforto so comuns quando as pessoas esto submetidas a crises de ansiedade. Estudos tentando relacionar anomalias como cncer e outras doenas com o temperamento e condies psicolgicas do indivduo levaram ao surgimento da psiconeuroimunologia (Ader et al., 1991), que aborda de forma integrada as diversas funes dos sistemas nervoso e imunolgico, tentando esclarecer as doenas conhecidas como psicossomticas (Bonamin, 1994).
SNE Produo Receptores

Hormnios peptdicos Neurotransmissores peptdicos Hormnios peptdicos
Ao
Neurotransmissores peptdicos Citocinas
Receptores
Citocinas
SI
Produo
Figura 4.14. Um mecanismo de comunicao entre o SI e o SNE atravs do compartilhamento de molculas sinalizadoras e seus receptores (adaptado de Blalock, 1994).
100
Uma anlise em sentido oposto, ou seja, de como o sistema imunolgico influencia o sistema neuroendcrino, tambm tem sido de fundamental importncia para a compreenso da relao entre eles. Vrias observaes, como a alterao de padres de atividade neural e hormonais seguindo a inoculao antignica em indivduos sadios, permitiram a apresentao de um modelo molecular bidirecional de comunicao entre o SNE e o SI, como apresentado na Figura 4.14 (Blalock, 1994). Sem nos prendermos aos muitos detalhes desta interao, objetivamos salientar que os mesmos sinais moleculares e seus receptores podem ser utilizados tanto para a regulao do prprio sistema em questo quanto para a comunicao entre eles.
4.3.1. Aspectos Cognitivos

Existe uma grande dificuldade por parte da comunidade cientfica na obteno de um consenso sobre o significado de palavras e expresses como cognio, intencionalidade e mente. Os conceitos variam para diferentes ramos de pesquisa, como psicologia, filosofia e neurocincia. Esta seo tem por objetivo discutir sucintamente algumas abordagens sobre o que se entende por estes temas, enfocando o problema da cognio, e tambm apresentar argumentos da literatura sugerindo que o sistema imunolgico possui propriedades suficientes para ser caracterizado como um sistema cognitivo. Alm disso, o leitor ser posicionado acerca de minha opinio pessoal quanto viso cognitiva do sistema imunolgico, a qual tambm defendida por diversos pesquisadores, principalmente imunologistas. indiscutvel que os pontos de vista a serem apresentados, assim como a teoria cognitiva do sistema imunolgico a ser defendida nesta seo, tambm no so de consenso geral e muito menos completas. Apesar disso elas visam fornecer subsdios para um estudo mais amplo da intitulada cognio imunolgica. O cognitivismo surgiu no ano de 1956 a partir de dois encontros realizados em Cambridge e Dartmouth, nos quais as principais idias que forneceriam as bases da cincia cognitiva moderna foram propostas (Gardner, 1995). A cincia cognitiva o resultado de um esforo multidisciplinar que traz para a psicologia, cincia da computao e inteligncia artificial vrios aspectos de neurobiologia, lingstica e filosofia (Edelman, 1992). Ela se baseia no conceito de representaes mentais e em um conjunto de suposies coletivamente denominadas de posio funcional. Partindo deste ponto de vista, as pessoas se comportam de acordo com o conhecimento gerado por representaes mentais simblicas. Assim, a cognio consiste na manipulao destes smbolos. Os fenmenos psicolgicos so descritos por processos funcionais. A eficcia de tais processos reside na possibilidade de interpretar tens como smbolos, de formas abstratas e bem definidas, de acordo com um conjunto de regras. Este conjunto de regras constitui o que conhecido como sintaxe. O exerccio das regras sintticas uma forma de computao, no sentido amplo de manipulao simblica, ou operao com smbolos, de acordo com um procedimento definido. Tais processos bem definidos constituem representaes semnticas, que indicam formas precisas de especificao do que os smbolos representam para o mundo. Sob esta perspectiva computacional, a proposta central da cognio de que a inteligncia, incluindo a humana, pode realmente ser definida como uma forma de computao com representaes simblicas (Varela et al., 1991). A noo central, neste caso, a de
101
representao ou intencionalidade. Sistemas intencionais tm como funo legitimar predicados mentais, assim como uma mquina de Turing deve estabelecer regras para a interpretao de objetos (Dennett, 1978). O argumento cognitivo defende que o comportamento inteligente pressupe a habilidade de representar o mundo de alguma forma. Provavelmente, um dos aspectos mais controversos da cognio esteja na sua premissa de que a nica forma de se obter um comportamento inteligente ou uma intencionalidade atravs da suposio de que as aes ocorrem atravs da manipulao de representaes que so fisicamente executveis por um cdigo simblico no crebro, mquina ou outro sistema. Assim, um dos problemas que precisam ser resolvidos como relacionar a intencionalidade, ou os estados representativos, com as mudanas fsicas ocorridas durante uma ao. A expresso cognitivo chegou imunologia vinda da psicologia, na qual ela se refere s funes superiores da mente, incluindo o reconhecimento de objetos, identificao do organismo e intencionalidade (Mitchison, 1994). O objetivo inicial era enfatizar que o sistema imunolgico sabe o que ele est procurando quando encontra um antgeno, ou seja, sua representao (ou organizao) interna lhe fornece uma certa intencionalidade. Alguns imunologistas como I. Cohen, F. Varela, A. Coutinho e N. Jerne tratam a cognio imunolgica como sendo baseada principalmente no conceito de prprio/no-prprio. Outros autores mais conservadores preferem definir a imunologia como uma cincia de reconhecimento (Edelman, 1975, 1992 Cap. 8), ou visualizar o sistema imunolgico como um sistema sensorial (Blalock, 1994) e no um sistema cognitivo. Tada (1997) apresentou um paradigma diferente, propondo que sistemas como o imunolgico e o nervoso central podem ser denominados de supersistemas. A idia de reconhecimento surgiu na imunologia desde seu incio. A identificao dos elementos estranhos ao organismo implicitamente requer que algum componente esteja efetuando a identificao, ou reconhecimento, destes elementos. O reconhecimento um evento perceptivo e, portanto, deve se apoiar em algum aparato cognitivo (Tauber, 1994, 1997). Esta viso reflete a riqueza escondida em termos como reconhecimento, aprendizagem e memria, caractersticas pertinentes ao sistema imunolgico. Cohen (1992a) define um sistema cognitivo como a seguir: Definio 4.3: Um sistema cognitivo capaz de extrair informaes e experincias de dados de entrada atravs da manipulao de informaes j contidas no prprio sistema, ou seja, ele age atravs de um senso de direo ou intencionalidade. Sendo assim, os sistemas cognitivos no so processadores passivos ou armazenadores de informao, e sim projetados para manipular informaes particulares do domnio no qual eles operam. Niels K. Jerne (1974a,b, 1984, 1985) considerado o verdadeiro autor do modelo cognitivo do sistema imunolgico (Tauber, 1997). A viso cognitiva da teoria da rede imunolgica apresentada na Seo 2.10, fundamentada em duas premissas: O sistema imunolgico constitudo por um universo de imagens que s so reconhecidas por estarem expressas em uma linguagem conhecida pelo sistema;
102
O sistema imunolgico se auto define, ou seja, ele projetado para conhecer a si prprio.
Dessa forma, os elementos prprios provocam um determinado tipo de resposta, enquanto os no-prprios induzem outra resposta, baseada no na natureza intrnseca do no-prprio, mas no fato de que o sistema imunolgico enxerga o antgeno externo no contexto de invaso ou degenerao. O elemento chave o anticorpo, que atua como um antgeno atravs de domnios idiotpicos. Existe portanto, uma imagem interna do universo antignico. O reconhecimento mtuo entre os elementos do sistema imunolgico (linfcitos B e anticorpos) forma uma vasta rede interconectada de elementos que se comunicam entre si, a chamada rede idiotpica ou rede imunolgica. Quando o sistema imunolgico visto como uma entidade cognitiva, ele representa uma complementao do sistema nervoso central (ou simplesmente sistema neural). Certamente, para que o SI reconhea um determinado elemento, ele, primeiramente, precisa perceb-lo e em seguida decidir que atitude tomar. Trata-se, portanto, de um tipo de modelo cognitivo, onde os sistemas imunolgico e neural podem ser vistos de forma anloga. Cada um possui caractersticas perceptivas: a capacidade de discernir entre o universo interno e o externo. O processamento de informao fundamental para a operao de ambos e as respectivas propriedades perceptivas esto ligadas a mecanismos efetores. Alm das analogias funcionais, a crescente evidncia da interdependncia deles, atravs de molculas mensageiras, neurotransmissores e hormnios, j foi brevemente discutida no incio da Seo 4.3. Adotando-se o modelo em rede proposto por Jerne (1974a), as similaridades entre estes sistemas aumentam ainda mais. Cohen (1992a,b) tambm apresentou uma abordagem contextualista para a cognio imunolgica. Considerando os sistemas cognitivos como aqueles capazes de extrair informaes e experincias de dados de entrada atravs da manipulao de informaes j contidas no sistema, Cohen (1992b) sugeriu o chamado homnculo imunolgico: Definio 4.4: O homnculo imunolgico a imagem interna do prprio adquirida pelo reconhecimento primrio dos antgenos prprios, tanto no timo, como na periferia (Cohen, 1992b). Esta definio est fundamentada na idia de que o sistema imunolgico ser capaz de realizar sua tarefa mais eficientemente atravs da coleta e processamento de informaes caso ele seja dotado de uma representao interna de seu ambiente, definindo o foco de ateno junto ao qual ele deve operar. Os antgenos sero reconhecidos como no-prprios pois eles so apresentados em um contexto que denuncia sua patologia. A autoimunidade tratada como uma caracterstica normal do sistema imunolgico, que constantemente tenta identificar e monitorar os elementos do hospedeiro. Se estes antgenos prprios forem alterados de forma contextual, seus significados mudam e uma resposta imunolgica iniciada. Assim, o prprio no mais uma entidade, e sim emerge dinmicamente em um processo de auto-identificao, que muda continuamente ao longo da vida do indivduo. De forma similar, uma teoria baseada na definio do prprio e da rede imunolgica foi desenvolvida por Coutinho e seus colaboradores (Coutinho et a., 1984; Varela et al., 1988; Coutinho, 1989; Varela & Coutinho, 1991). A postura adotada sugere que as propriedades
103
globais do sistema imunolgico, como tolerncia e distino prprio/no-prprio, no podem ser compreendidas atravs da anlise de componentes individuais (imunologia celular e molecular). Foi proposto que caractersticas essenciais das redes imunolgicas, como estrutura (conectividade) e dinmica, juntamente com a teoria da seleo clonal, fornecem uma abordagem poderosa para o estudo de alguns aspectos cognitivos do sistema imunolgico, como a memria por exemplo. A memria imunolgica tida como uma caracterstica clonal, pelo menos no contexto de respostas secundrias, e o reconhecimento antignico (diretamente relacionado memria) provavelmente a propriedade imunolgica de maior apelo cognitivo. Baseado em um ponto de vista conceitualmente diferente, Blalock (1994) aborda o sistema imunolgico como um mecanismo sensorial, assim como o sistema neural, porm ele assume que a cognio s pode ser atribuda a estmulos do tipo fisiolgicos, emocionais, etc. Foi proposto que o sistema imunolgico capaz de reconhecer e responder a estmulos que no podem ser detectados pelo sistema neural. Estes estmulos foram denominados de no cognitivos, e incluem elementos como bactrias, vrus, tumores, antgenos, etc., que passariam despercebidos no fosse pelo sistema imunolgico. Um vrus no pode ser visto a olho nu, nem cheirado, no possui gosto ou odor e no faz nenhum barulho, mas pode ser percebido pelos sintomas que ele causa. Isto ocorre atravs do reconhecimento deste estmulo por clulas do sistema imunolgico, que o converte em informaes qumicas sob a forma de hormnios, neurotransmissores e citocinas (Figura 4.14). Estes sinais so recebidos pelo SNE resultando em mudanas fisiolgicas e psicolgicas. Aparentemente a funo sensorial do SI imita o SNE no sentido de que um determinado estmulo promove uma resposta particular resultando em uma resposta fisiolgica. interessante notar que o termo cognitivo nas abordagens imunolgicas discutidas implica em conscincia: a propriedade da intencionalidade aparece em conjunto com a da personalidade. Ambas so dependentes da histria e experincia individuais de cada um e levam em considerao uma profunda noo de identidade (prprio). O objetivo o de enfatizar que princpios cognitivos englobando a idia de imagem interna podem ser aplicados de forma genrica ao sistema imunolgico, que trata: A busca por um contexto: quando agir; A extrao de sinais a partir de rudos: como focalizar o reconhecimento; e O problema da resposta: que deciso tomar.
possvel afirmar que o SI no apenas pode ser visto como um sistema cognitivo, mas tambm capaz de complementar e/ou regular as capacidades neurais de reconhecimento e tomada de deciso atravs da percepo de estmulos que no podem ser detectados fisiologicamente de forma direta. evidente, como foi brevemente discutido nas sees anteriores, que existe uma reciprocidade (e comunicao direta) de aes entre estes e outros sistemas. Finalmente, Tada (1997) cunhou o termo supersistema para designar sistemas vitais altamente integrados como o sistema imunolgico, o sistema nervoso central e a embriognese. Os diversos elementos de um supersistema se relacionam atravs de adaptao e co-adaptao mtuas entre seus componentes, criando um sistema dinmico
104
auto-regulado atravs de auto-organizao. Trata-se de um sistema auto-contido, porm aberto a estmulos ambientais que podem ser traduzidos em mensagens internas para os processos de auto-regulao e expanso. Um supersistema caracterizado pela sua autoregulao, pela gerao de seus diversos tipos de componentes atravs de processos estocsticos seguidos de seleo e adaptao (conseqncias da auto-organizao), individualidade e tomada de deciso em resposta a estmulos internos e externos.
4.3.2. Similaridades e Diferenas

Durante a discusso sobre os aspectos cognitivos do sistema imunolgico j foi possvel perceber algumas similaridades e diferenas entre o SI e o SNC. Parte delas pode ser diretamente confrontada com os respectivos modelos artificiais, tanto na engenharia imunolgica quanto nas redes neurais artificiais. Dentre a vasta gama de similaridades e diferenas entre o SI e o SNC destacam-se (Jerne, 1974; Hoffmann, 1986; Vertosick & Kelly, 1989, 1991; Ishida, 1993, 1996; Dasgupta, 1997, 1999): Ambos os sistemas so constitudos por uma grande quantidade e diversidade de clulas. No homem o SI possui aproximadamente 1012 linfcitos e o sistema neural consiste de aproximadamente 1010 neurnios. Em ambos os casos clulas individuais so altamente especficas na execuo de suas tarefas; A diversidade celular em cada sistema permite que respostas apropriadas sejam geradas para uma grande variedade de estmulos. O sistema imunolgico reconhece e responde a formas diversas de molculas. O SNC reconhece e responde a estmulos recebidos de nossos cinco sentidos: viso, audio, paladar, tato e olfato. Dessa forma, o SI pode ser visto como nosso sexto sentido, como proposto por Blalock (1994) e discutido na seo anterior; O SNC geralmente decomposto em suas partes sensorial e motora. Uma diviso anloga em funo de reconhecimento e efetora do sistema imunolgico pode ser feita, onde os mecanismos efetores so responsveis pela eliminao do antgeno; Nos sistemas neurais, os processos de aprendizagem e aquisio de memria so conseqncias da alterao dos pesos das conexes entre os neurnios, tambm chamados de sinapses (Figura 4.1), e no da alterao dos prprios neurnios. Alm disso, o crebro permite que as memrias sejam endereadas por contedo, de forma que a morte freqente de neurnios individuais no afeta drasticamente o desempenho do crebro como um todo. No caso do sistema imunolgico, o conhecimento est armazenado nas prprias clulas, ou em clones especficos de clulas e a aprendizagem ocorre atravs de variaes nos padres de receptores celulares; Sob o ponto de vista da teoria da rede imunolgica proposta por Jerne (1974a), e apresentada na Seo 2.10, em ambos os sistemas as clulas esto funcionalmente conectadas entre si sob a forma de uma rede, apresentando funes estimulatrias ou supressivas (inibitrias) entre clulas vizinhas. No SNC as conexes entre as clulas so mediadas por axnios, sinapses e dendritos, podendo ser visualizadas em
105
um microscpio. No caso da teoria da rede imunolgica, os componentes do sistema so capazes de reconhecer e serem reconhecidos, oferecendo uma rede de comunicao com caractersticas menos bvias do que as redes neurais; As redes neurais utilizam sinais eletroqumicos de comunicao, enquanto o SI emprega ingredientes qumicos; As redes neurais apresentam hierarquias, enquanto o sistema imunolgico descentralizado; Ambos utilizam processamento paralelo, onde os estmulos so processados simultaneamente em diferentes partes dos sistemas; A capacidade de apresentar memria distingue estes dois sistemas de todos os outros. A memria de um evento pode permanecer por muitos e muitos anos; Em ambos os casos, o conhecimento armazenado durante a vida no automaticamente passado para as geraes subsequentes, mesmo que essa herana fornea uma aparente vantagem seletiva para o indivduo. Este aspecto particular de como a evoluo imunolgica influencia na evoluo da espcie ser estudado na Seo 4.5; Ambos os sistemas possuem uma profunda noo de si mesmos, ou seja, do prprio. Uma das tarefas do sistema imunolgico distinguir entre o prprio e o no-prprio, e eliminar tudo aquilo que for categorizado como no-prprio (Seo 2.9). A distino entre prprio e no-prprio , de forma similar, uma das funes primitivas do sistema nervoso, e fundamental para o enigma da conscincia; As clulas dos dois sistemas possuem receptores que permitem a comunicao entre si e/ou com elementos externos (Figura 4.15); Algumas clulas do sistema imunolgico aprendem a reconhecer e responder a formas particulares (antgenos) somente em contextos especficos. Este fenmeno similar ao reconhecimento dependente do contexto dos sinais recebidos pelo SNC; O SI compartilha com o SNC a propriedade de que um reconhecimento definitivo pode ser obtido aplicando-se um estmulo fuzzy. Uma memria pode ser recuperada por um estmulo similar, mas no necessariamente idntico, ao estmulo original. Em imunologia este fenmeno chamado de memria reativa cruzada (Ada & Nossal, 1987; Smith et al., 1997), como discutido na Seo 2.8. Ambos os sistemas penetram a maioria dos tecidos do corpo, mas no entram em contato direto devido barreira crebro-sangue (blood-brain barrier); O funcionamento ideal de ambos os sistemas aparentemente insensvel a pequenos detalhes em seus elementos ou conexes. Os sistemas devem ser projetados de tal forma que, independente do padro de conexes ou de interao celular, um repertrio (populao) de elementos deve existir e ser diverso o suficiente para descrever o universo a ser representado; O corolrio do aspecto anterior indica que ambos os sistemas so altamente tolerantes a falhas, devido principalmente a redundncia e diversidade de seus componentes.
106
Axnio
(neurnio pr-sinptico)
Eptopos
Neurnio pssinptico
Vesculas contendo neurotransmissores
Linfcitos
Receptores para neurotransm issores

(no neurnio ps-sinptico)
(a)
(b)
Figura 4.15. Receptores celulares. (a) Os neurnios liberam neurotransmissores quando a atividade eltrica alcana outro neurnio. (b) Os linfcitos possuem receptores celulares capazes de reconhecer padres de eptopos ou complexos MHC/peptdeo.
107
4.3.3. Engenharia Imunolgica e Redes Neurais Artificiais

Baseados na discusso acima sobre as similaridades e diferenas entre o SI e o SNC, considerando a estrutura formal, apresentada na Seo 3.4, para a engenharia imunolgica e os modelos de redes neurais artificiais discutidos no incio deste captulo, possvel fazer um paralelo entre a EI e as RNAs, como descrito na Tabela 4.1.
Tabela 4.1. Caracterstica Unidade bsica EI RNAs. RNA Neurnio composto por uma funo de ativao, conexes associadas e um limiar de ativao Os pesos sinpticos das conexes podem assumir valores positivos ou negativos indicando uma ao excitatria ou inibitria dos outros neurnios O neurnio processa a informao recebida Armazenado nos pesos das conexes e na forma das funes de ativao Ocorre atravs da modificao dos valores e quantidade de pesos sinpticos, juntamente com a alterao das formas das respectivas funes de ativao
Interaes com outras unidades
Atividade Conhecimento
EI Clula composta por uma cadeia de atributos, conexes associadas e um limiar de afinidade As clulas possuem conexes que a identificam (receptores) e permitem reconhecer outros elementos. Estas conexes podem ser ponderadas indicando o grau de interao com outros elementos A clula possui uma imagem interna do ambiente que comparada com a informao recebida Armazenado nos pesos das conexes e nas cadeias de atributos de cada clula Ocorre atravs da modificao das cadeias de atributos das clulas e de seus pesos associados
Aprendizagem
Limiar Robustez Localizao Comunicao Estado Controle
Determina a ligao (reconhecimento) entre uma clula e o estmulo Determina a ativao do neurnio apresentado Escalonvel, auto-tolerante, flexvel e Flexvel e tolerante a falhas tolerante a falhas Os neurnios residem em posies As clulas podem se deslocar fixas na rede Ocorre atravs do contato celular, tambm representado por um conjunto Ocorre atravs das ligaes sinpticas de conexes Concentrao e/ou afinidade entre Nvel de ativao dos neurnios de uma clula e seu estmulo sada Uma reao adaptativa determina o Um algoritmo de aprendizagem tipo de interao entre os determina o tipo de ajuste dos componentes do sistema parmetros livres da rede
108
4.4.
Computao Evolutiva
Simular processos evolutivos naturais objetivando resolver problemas de otimizao tem demonstrado ser um mtodo rpido e robusto. A otimizao do comportamento de um sistema por processos evolutivos representa uma abordagem poderosa para a aprendizagem de mquina (machine-learning) e fenmenos auto-organizados. A implementao computacional de mtodos de simulao da evoluo, chamada computao evolutiva, possibilita a determinao de timos globais para vrias classes de problemas cujas solues eram, at ento, desconhecidas ou insatisfatrias. A computao evolutiva pode ser dividida em trs grandes grupos (Bck & Schwefel, 1993; Bck et al., 2000a): Programao evolutiva (PE) introduzida por Fogel et al. (1966); Estratgias evolutivas (EE) inicialmente propostas por Ingo Rechenberg (1973); e Algoritmos genticos (GAs genetic algorithms), propostos por John Holland (1975).
Todos estes ramos da computao evolutiva seguem o mesmo algoritmo evolutivo bsico, que ser discutido na Seo 4.4.2. Porm, na forma como foram inicialmente propostos, eles possuem algumas diferenas entre si, como resumidas na Tabela 4.2. Atualmente, o GA constitui o mtodo evolutivo mais amplamente utilizado e, por isso, ser discutido em maiores detalhes na Seo 4.4.3. Sua relevncia nesta tese se d sob a forma de aspectos comparativos com algumas das ferramentas propostas. Alm disso, sero apresentados comentrios gerais sobre a programao gentica (PG), um outro ramo da computao evolutiva, devido a sua importncia para uma das possveis extenses desta tese. Por ltimo, ser apresentado um modelo de espcies em computao evolutiva, tambm para efeitos comparativos mais adiante com uma das ferramentas a serem propostas.
Tabela 4.2. Principais caractersticas dos algoritmos evolutivos (Bck & Schwefel, 1993).
EE Representao Auto-adaptao Fitness Mutao Recombinao Seleo Valores reais Desvio padro e covarincia Valor da funo objetivo Principal operador Diversos tipos. Importante para a auto-adaptao Determinstica
PE Valores reais Varincias (na metaPE) Valor escalonado da funo objetivo nico operador Nenhuma Probabilstica
GA Cadeias binrias Nenhuma Valor escalonado da funo objetivo Operador secundrio Principal operador Probabilstica
109
4.4.1. Evoluo Natural

A evoluo no um processo imediato, pois ocorre atravs do acmulo de comportamentos cada vez mais apropriados dentro de uma determinada espcie, ou de um determinado ambiente. C. Darwin (1859) apresentou as seguintes hipteses para explicar a origem das espcies: 1. 2. 3. 4. Os filhos tendem a ser em maior nmero que os pais; O nmero de indivduos de uma espcie permanece aproximadamente constante; De (1) e (2) conclui-se que haver luta pela sobrevivncia; e Dentro de uma mesma espcie os indivduos apresentam pequenas diferenas.
Este princpio da seleo natural indica que os indivduos cujas variaes se adaptam melhor ao ambiente tero maior probabilidade de sobreviver e reproduzir. Como complemento a estas hipteses propostas por Darwin, trs hipteses adicionais foram incorporadas, conduzindo ao chamado neodarwinismo: 5. Algum processo de variao continuada deve ser responsvel pela introduo de novas informaes junto ao material gentico dos organismos; 6. No h limite para a sucesso de variaes que podem ocorrer; e 7. A seleo natural o mecanismo para a preservao das novas informaes correspondentes a uma maior adaptao. A seleo (competio e excluso) existe para estatisticamente eliminar (ou reduzir o nmero de) indivduos cujo comportamento pouco apropriado, pois nem todos os indivduos podem sobreviver na presena de recursos limitados. importante notar que a evoluo otimiza o comportamento, e no o material gentico (Atmar, 1994). Sob o ponto de vista da computao, possvel definir evoluo da seguinte forma: Definio 4.5: Evoluo um mtodo de busca (em paralelo) de indivduos com um alto ndice de adaptao a um determinado critrio, recorrendo-se a um nmero finito de candidatos, sujeitos a condies de adaptao variveis. 4.4.1.1. Terminologia Biolgica
A terminologia biolgica a ser empregada nos algoritmos evolutivos representa uma analogia s entidades biolgicas reais, sendo que as entidades computacionais correspondero invariavelmente a estruturas bem mais simples que seus equivalentes biolgicos. A Figura 4.16 apresenta a hierarquia dos sistemas biolgicos. Os algoritmos evolutivos geralmente operam com uma populao de indivduos, de uma nica espcie, evoluindo dentro de um ecossistema (ou ambiente) pr-definido.
110
Ecossistema Espcie Populao Indivduo Organismo rgo Clula
Figura 4.16. Hierarquia dentro dos sistemas biolgicos.
Como apresentado na Figura 4.16, todos os organismos vivos so compostos por clulas, e cada clula contm o mesmo conjunto de um ou mais cromossomos cadeias de DNA que servem como identificadores do organismo. Um cromossomo pode ser conceitualmente dividido em genes (blocos funcionais de DNA), cada qual codificando uma protena particular. Os tipos diferentes de caractersticas so chamados alelos. Cada gene est localizado em uma posio particular (locus) no cromossomo (Mitchel, 1998). Muitos organismos possuem mltiplos cromossomos em cada clula. A coleo completa do material gentico chamada de genoma do organismo. O termo gentipo refere-se ao conjunto particular de genes contido em um genoma. Dois indivduos que possuem o mesmo genoma tm o mesmo gentipo. O gentipo leva ao fentipo do organismo, ou seja, suas caractersticas fsicas e mentais, como a cor dos olhos, pele, etc. Organismos cujos cromossomos aparecem em pares so chamados diplides, enquanto organismos com cromossomos que aparecem individualmente so ditos haplides. Geralmente, espcies com reproduo sexuada (entre dois indivduos) so diplides, enquanto espcies com reproduo assexuada (clonagem de um nico indivduo, como por exemplo a reproduo dos linfcitos) so haplides. Durante a reproduo sexuada, ocorre a recombinao gentica (ou crossover): em cada um dos pais, genes so trocados entre cada par de cromossomos para a formao de um gameta (cromossomo nico), e os gametas dos dois pais formam pares constituindo um conjunto completo de cromossomos diplides. Na reproduo haplide, genes so trocados entre os cromossomos de cada um dos pais. Os descendentes (offsprings) esto sujeitos mutao, na qual nucleotdeos (unidades elementares de DNA) so mudados de pai para filho. A aptido (adaptabilidade ou fitness) de um organismo tipicamente considerada equivalente probabilidade que este indivduo possui de se reproduzir (viabilidade), ou como uma funo da quantidade de descendentes que ele pode ter (fertilidade).
111
Tabela 4.3.
Terminologia biolgica terminologia computacional (assumindo representao binria).
Biologia Cromossomo haplide Gene Alelo Crossover Mutao Gentipo Fentipo
Computao Cadeia de bits que representa um candidato a soluo Um nico bit, ou um bloco de bits Valores que podem ser assumidos para cada gene do cromossomo Troca de material gentico entre cromossomos Troca aleatria de um determinado bit do cromossomo Configurao de bits no cromossomo de um indivduo Decodificao de um ou mais cromossomos
A Tabela 4.3 faz um paralelo entre a terminologia biolgica apresentada e a terminologia computacional a ser utilizada nos algoritmos evolutivos. A grande maioria das aplicaes de algoritmos evolutivos emprega codificao haplide baseada em um nico cromossomo.
4.4.2. Algoritmo Evolutivo Bsico

Os algoritmos evolutivos bsicos so geralmente implementados da seguinte forma (Atmar, 1994): 1. Uma populao inicial de indivduos escolhida aleatoriamente. O tamanho N da populao geralmente grande. 2. A populao reproduzida, com erro, de forma que cada pai gere n descendentes. O mecanismo de introduo de erro durante a reproduo deve ser estocstico e varivel. 3. A qualidade do comportamento do sistema avaliada para todos os indivduos da populao, pais e filhos, baseada em uma medida de adaptabilidade ou fitness de cada indivduo. Uma de duas condies geralmente implementada: 1) os N melhores indivduos so selecionados para reproduzir e compor a prxima gerao, 2) N dos melhores indivduos so selecionados probabilisticamente. O tamanho da populao geralmente restrito. 4. O processo se repete, voltando ao passo 2. A convergncia assumida quando uma soluo pr-definida atingida, ou um nmero fixo de geraes foi executado. Definio 4.6: O processo de busca de solues dentro de um conjunto de candidatos a soluo chamado de busca em um espao de buscas. Definio 4.7: Superfcie de adaptao a representao de um mapeamento do espao de todos os possveis gentipos para as respectivas medidas de adaptabilidade (fitness) (Mitchel, 1995).
112
4.4.2.1.
Formalizao do Processo
Dois espaos de estados so inerentes aos processos evolutivos: um espao de estado genotpico, G, (codificao), e um espao fenotpico, P, (comportamental ou de expresso do gentipo). Analogamente, dois alfabetos tambm so definidos; um alfabeto de entrada do ambiente, I, e um alfabeto de sada, Z. A evoluo da populao dentro de uma nica gerao est esquematizada na Figura 4.17. Considere uma populao de gentipos, g1 G. Existe uma funo de mapeamento f1 tal que cada gi transformado em um fentipo p1. O mapeamento inerentemente de muitos para um, pois existem infinitos gentipos que podem resultar em um mesmo fentipo. Definio 4.8: Epignese corresponde ao desenvolvimento celular sensvel s condies locais. Dito de outra forma, epignese a teoria segunda a qual a constituio dos seres vivos se inicia a partir de uma clula sem estrutura e se faz mediante sucessiva formao e adio de novas partes que, previamente, no existiam no ovo fecundado. O primeiro mapeamento da Figura 4.17, epignese, incorpora regras de expresso gentica, crescimento e desenvolvimento, em um contexto local: (4.20) f1 : I G P O segundo mapeamento, seleo, descreve os processos de seleo, imigrao e emigrao de indivduos dentro de uma populao local: (4.21) f2 : P P Os efeitos da seleo ocorrem somente em P e no afetam diretamente as estruturas codificadas em G. O terceiro mapeamento, representao, descreve a representao fenotpica dentro de uma populao antes da reproduo: (4.22) f3 : P G
g1
f4 g2
g1
Espao genotpico, G, (codificao)
f1
f3
f2 p1
p2
Espao fenotpico, P, (comportamental)
Figura 4.17. Evoluo de uma populao a cada gerao.

113
O quarto mapeamento, mutao, incorpora variao aleatria e direcionada na codificao (incluindo reparo e recombinao): (4.23) f4 : G G Somente atravs da seleo repetida de comportamentos adequados em P, gerao aps gerao, uma aprendizagem apropriada pode ser acumulada em G. A evoluo ocorre atravs da repetio indefinida destes quatro mapeamentos.
4.4.3. Algoritmos Genticos

Definio 4.9: Os Algoritmos genticos (GAs) so procedimentos computacionais estocsticos cujos mtodos de busca modelam os fenmenos biolgicos de herana gentica e seleo natural (Michalewicz, 1996). Os algoritmos genticos simples constituem modelos abstratos da evoluo natural e operam com uma populao de tamanho fixo e indivduos representados por cadeias genticas de comprimento fixo. Novas populaes evoluem atravs da seleo probabilstica proporcional ao fitness dos indivduos, produzindo, via crossover e mutao, descendentes semelhantes aos pais. 4.4.3.1. Caractersticas Principais e Escopo de Aplicaes
Dentre as principais caractersticas dos algoritmos genticos podemos citar (Mitchel, 1995): Busca sobre uma populao de pontos, e no sobre um nico ponto; Utilizao de funes de custo (funes objetivo, de fitness, ou de adaptabilidade), ao invs de derivadas ou outro tipo de conhecimento auxiliar; e Utilizao de regras de transio probabilsticas, e no determinsticas.
Dado um problema, como saber se um algoritmo gentico ir resolv-lo de forma eficiente? No existe nenhuma resposta rigorosa para esta pergunta, mas vrios aspectos intuitivos podem ser levantados: Se o espao de buscas grande, no perfeitamente suave e nem unimodal, no conhecido, ou se a funo de fitness ruidosa, o GA se apresenta como uma ferramenta competitiva; Se o espao suave, ou unimodal, ento mtodos de gradiente ou de hill climbing sero muito superiores; Se o espao de buscas conhecido (como no caso do caixeiro viajante), heursticas podem ser introduzidas em mtodos especficos, de forma que eles apresentem bom desempenho. Algoritmo Gentico Clssico e Modificado
4.4.3.2.
Nesta seo, introduziremos o algoritmo gentico clssico e suas modificaes de forma a garantir um melhor desempenho em termos de qualidade da soluo (busca pelo timo global) e velocidade de convergncia.
114
Gere uma populao inicial aleatria M(0)
Calcule e armazene o fitness f(m) para cada indivduo m da populao atual M(t)
Defina as probabilidades de seleo p(m) para cada indivduo m em M(t), tal que p(m) seja proporcional a f(m)
Gere M(t+1) atravs da seleo probabilstica de indivduos de M(t) para reproduo via operadores genticos
Figura 4.18. Algoritmo gentico clssico.
Definida uma representao gentica apropriada ao problema, o algoritmo gentico bsico pode ser descrito pelo fluxograma da Figura 4.18 (De Jong, 1994). Este algoritmo possui as seguintes caractersticas: 1) codificao binria, 2) reproduo e seleo natural via Roullete Wheel, 3) crossover simples, e 4) mutao. Na seleo via Roullete Wheel (RW), a probabilidade de seleo de um cromossomo (indivduo) diretamente proporcional a seu valor da funo de fitness. A Figura 4.19 ilustra o RW para uma populao composta por quatro indivduos. Rodar uma roleta significa obter um valor de um gerador de nmeros aleatrios com distribuio uniforme no intervalo [0,1]. O valor obtido vai definir o cromossomo escolhido de acordo com as marcaes na Figura 4.19(b). N 1 2 3 4 Cromossomo 0001100101010 0101001010101 1011110100101 1010010101001 (a) Fitness 6.0 3.0 1.5 1.5 Graus 180
0 0.25
1 0.5 1 4 2 3
90 45 45
0.75
(b)
Figura 4.19. Exemplo de Roullete Wheel para uma populao com quatro indivduos.
115
Ponto de crossover 1 0 0 0 0 0 1 1 Cromossomo pai 1 Cromossomo pai 2
Bit a ser mutado
Cromossomo original
Mutao de
ponto nico
Crossover
simples
Cromossomo filho 1 Cromossomo filho 2
Cromossomo mutado
(a)
(b)
Figura 4.20. Operadores bsicos de recombinao. (a) Crossover simples. (b) Mutao de ponto nico.
O crossover simples realizado da seguinte forma: dados dois cromossomos (pais), escolhe-se uma posio (locus) aleatria destas cadeias e efetua-se a troca de material gentico, conforme indicado na Figura 4.20(a). Cada indivduo tem uma probabilidade pc de sofrer crossover. No processo de mutao, uma posio (locus) do cromossomo escolhida aleatoriamente e seu bit trocado de 0 1, ou de 1 0, conforme indicado na Figura 4.20(b). A probabilidade de mutao pm define a taxa com que cada locus pode ser mutado. Dentre os principais problemas com o algoritmo gentico clssico, destacam-se: A poltica de reproduo e seleo permite a perda do melhor indivduo; A posio do gene no cromossomo influi na probabilidade de realizar crossover; e Dificuldade de codificao quando os parmetros so nmeros reais. Utilizao de mecanismos alternativos de seleo; Crossover uniforme; e Codificao em strings (cadeias) de nmeros reais.
Para solucionar estes problemas, algumas estratgias foram propostas:
Vrias modificaes podem ser introduzidas no algoritmo gentico clssico visando amenizar os problemas citados acima. Estas modificaes englobam basicamente outros mecanismos de (1) recombinao (crossover e mutao) e (2) seleo. 4.4.3.2.1. Outros Operadores de Recombinao 1. Crossover simples entre indivduo aleatrio e o melhor indivduo. O objetivo deste operador preservar seqncias genticas (partes da cadeia) do melhor indivduo na populao durante todo o processo evolutivo. 2. Crossover uniforme entre indivduos aleatrios.
116
Este tipo de crossover tem a caracterstica de no ser influenciado pela posio do gene na probabilidade de realizar crossover. So escolhidos dois indivduos da populao, determina-se a percentagem de genes que sero trocados, procede-se a um sorteio de alelos na quantidade determinada, efetuando o crossover somente dos alelos envolvidos, como ilustrado na Figura 4.21. 3. Crossover uniforme entre indivduos aleatrios e o melhor indivduo. 4. Mutao indutiva (somente para codificao real). Semelhante mutao aleatria, s que ao invs de sortear um novo valor para o alelo, sorteia-se um valor a ser somado ao valor atual do alelo. 5. Mutao do melhor indivduo. Pode ser aleatria ou indutiva. 4.4.3.2.2. Outros Mecanismos de Seleo 1. Elitista: os n melhores indivduos da populao so selecionados. 2. Aleatria: so selecionados aleatoriamente n indivduos da populao intermediria. 2.1. Salvacionista: seleciona-se o melhor indivduo e os outros aleatoriamente. 2.2. No-salvacionista: todos os indivduos so selecionados aleatoriamente. 3. Por diversidade: os indivduos mais diversos so selecionados. 4. Bi-classista: so selecionados os pb% melhores e os pw% piores indivduos. 5. Por torneio binrio: dois indivduos so escolhidos aleatoriamente. Um nmero aleatrio r [0,1] gerado. Caso r < k (k um parmetro, como por exemplo 0.75), o indivduo com maior fitness selecionado, seno o outro indivduo escolhido.
Cromossomo pai 1
Cromossomo pai 2
Crossover
uniforme
Cromossomo filho 1
Cromossomo filho 2
Figura 4.21. Crossover uniforme.
117
4.4.4. Programao Gentica

A principal questo que levou ao surgimento da programao gentica foi: Como os computadores podem aprender a resolver problemas sem serem explicitamente programados para tal?. A maior barreira para se atingir este objetivo est na caracterstica determinstica da grande maioria dos ramos de pesquisa em inteligncia artificial. Nestes casos, as propriedades principais que um programa deve apresentar para ser um candidato soluo de problemas de interesse prtico so: correo, consistncia, motivao lgica, preciso, ordenao, parcimnia, e definibilidade. A programao gentica (PG) pode gerar programas que falham em todos estes quesitos. Ela manipula solues corretas e incorretas, encoraja inconsistncias e abordagens contraditrias, pode no apresentar um seqenciamento lgico, predominantemente probabilstica, produz solues no-parcimoniosas e no apresenta um critrio de terminao claramente definido. Pode ser definida como a seguir: Definio 4.10: Programao Gentica (PG) constitui um algoritmo evolutivo no qual as estruturas de dados que sofrem adaptao so programas executveis de computador. A avaliao do fitness na programao gentica envolve a execuo dos programas evoludos. Assim, a PG envolve uma busca baseada na evoluo junto aos candidatos pertencentes ao espao de possveis programas computacionais (Bck et al., 2000a Cap. 11). A PG pode se constituir em uma opo especialmente interessante para o caso de programao de computadores com processamento paralelo. No contexto originalmente adotado para a PG, um programa computacional basicamente uma seqncia de aplicaes de funes a argumentos: paradigma funcional. A implementao da PG imediata quando associada a linguagens de programao que permitem a manipulao de um programa computacional na forma de estrutura de dados, inclusive por possibilitar que novos dados do mesmo tipo e recm-criados sejam imediatamente executados sob a forma de programas computacionais. Entretanto, qualquer linguagem computacional capaz de implementar (mesmo que indiretamente) a mesma estrutura de dados pode ser potencialmente empregada. Originalmente, sua linguagem a LISP (Koza, 1992). Para um sistema de programao gentica, um problema definido pela representao e pela funo de fitness, tornando necessrio um conhecimento profundo do problema em questo. A representao de um problema consiste de funes e terminais, elementos bsicos de um programa estruturado no paradigma funcional. Os programas computacionais na linguagem definida so os indivduos, passveis de representao em estruturas de dados do tipo rvore. Estes programas precisam ser executados para se obter o correspondente candidato soluo (Kinnear Jr., 1994). A Figura 4.22 ilustra uma estrutura em rvore representativa do programa computacional responsvel pela avaliao da funo f = (x y) (a + b), sendo que x, y, a e b so terminais, e + e so funes.
118
x y a
+ b
Figura 4.22. rvore representativa de um programa em PG para avaliar a expresso f = (x y) (a + b).
4.4.5. Nichos e Espcies

Como discutido anteriormente (Definio 4.7), os algoritmos genticos baseiam-se na teoria da seleo natural e operam de forma anloga evoluo natural. Entretanto, enquanto os processos evolutivos naturais mantm uma variedade de espcies, cada uma ocupando um nicho ecolgico diferente, os algoritmos genticos tradicionais (ou clssicos) convergem rapidamente para um nico ponto. Isso significa que todos os indivduos da populao tornam-se praticamente iguais. Mesmo quando existem mltiplas solues para um determinado problema, o GA clssico localiza apenas uma delas (Mahfoud, 1995). No Captulo 6, onde apresentaremos as aplicaes das ferramentas propostas de engenharia imunolgica, sero feitas comparaes de desempenho com os algoritmos genticos clssicos, um mtodo de niching (mais especificamente o mtodo de fitness sharing apresentado a seguir), e seus aspectos de convergncia para um ou mais timos da funo sero ilustrados e discutidos. Intuitivamente, podemos visualizar uma espcie como sendo uma classe de organismos que apresentam caractersticas comuns, e um nicho como o local ocupado pelo elementos de uma mesma espcie. Definio 4.11: Um mtodo de niching aquele que faz com que os algoritmos genticos consigam manter uma populao diversa de indivduos, tornando-os capazes de localizar mltiplas solues timas (subpopulaes) dentro de uma nica populao (Goldberg, 1989). O estudo de nichos e espcies em computao evolutiva, mais especificamente em algoritmos genticos, est diretamente relacionado ao problema da diversidade populacional. Uma das principais motivaes para o desenvolvimento dos mtodos de niching foi a busca pela diversidade, que possui duas funes dentro dos GAs: retardar a convergncia objetivando aumentar a explorao da superfcie de adaptao, e permitir a determinao de mltiplas solues. Os mecanismos bsicos de seleo dos algoritmos genticos reproduzem os indivduos de maior fitness e descartam aqueles com valores baixos de fitness, resultando em uma reduo de diversidade da populao. Trs fatores fazem com que o GA clssico elimine indivduos caracterizados por valores reduzidos de fitness e privilegie aqueles com valores
119
de fitness mais elevados: presso seletiva, rudo de seleo e quebra pelo operador. A presso seletiva o resultado do valor esperado do processo de seleo: indivduos com fitness baixos devem desaparecer de uma populao com tamanho finito. O rudo de seleo resultado da varincia do processo de seleo: em uma populao finita, escolhas aleatrias entre indivduos com fitness idnticos adiciona rudo ao fitness esperado de cada indivduo, forando o surgimento de boas solues. A quebra pelo operador resultado da aplicao dos operadores de recombinao, como crossover e mutao, que so potencialmente capazes de eliminar bons candidatos soluo. As tcnicas para diversificar populaes geralmente reduzem um destes trs fatores, ou uma combinao deles (Mahfoud, 1995). Um mtodo de niching deve ser capaz de formar e manter mltiplas e diversas solues finais com valores iguais ou diferentes de fitness. Alm disso, estas solues devem ser mantidas por um longo perodo de tempo quando comparado ao tamanho da populao. Mahfoud (1995) classificou os mtodos de niching em duas categorias de comportamento: 1) espacial/temporal e de 2) nico ambiente/mltiplos ambientes. Dentro da primeira categoria, um mtodo espacial de niching forma e mantm subpopulaes dentro de uma nica populao, enquanto um mtodo temporal desenvolve nichos seqencialmente ao longo do tempo. Na segunda categoria, um ambiente pode ser visto como uma funo de fitness e, portanto, o algoritmo pode ser classificado como capaz de resolver problemas multi-objetivo no caso de mltiplos ambientes. A Tabela 4.4 ilustra estas categorias e como alguns algoritmos ou sistemas podem ser classificados dentro delas. Os GAs ecolgicos induzem a formao de nichos atravs da utilizao ou criao de mltiplos ambientes, onde cada ambiente pode ser entendido como sendo uma funo de fitness (Mahfoud, 1995). Por ser o mtodo de niching mais empregado na literatura, descreveremos a seguir o algoritmo de fitness sharing para que possamos posteriormente discutir sua relao com alguns modelos imunolgicos existentes, e compar-lo empiricamente com um dos algoritmos propostos nesta tese.
Tabela 4.4.
Os mtodos de niching podem ser classificados em duas categorias de comportamento: 1) espacial/temporal e de 2) nico/mltiplos ambientes.
nico ambiente Temporal Localizao seqencial Crowding Espacial Competio restrita Fitness sharing
Mltiplos ambientes Superespecificao GAs ecolgicos GAs ecolgicos Sistemas Imunolgicos
120
4.4.5.1.
Fitness Sharing
Goldberg & Richardson (1987) propuseram um esquema prtico que utiliza uma metfora de compartilhamento de fitness (fitness sharing) para solucionar o problema de otimizao de funes multimodais. Neste esquema, uma funo de compartilhamento definida para determinar a vizinhana e grau de compartilhamento para cada indivduo da populao. Para um dado indivduo, o grau de compartilhamento determinado somando-se o valor da funo de compartilhamento de todos os outros indivduos da populao. Indivduos prximos a outros requerem um alto grau de compartilhamento, enquanto indivduos distantes entre si requerem valores pequenos de compartilhamento. O compartilhamento reduz o fitness de um indivduo proporcionalmente quantidade de indivduos similares a ele dentro da populao. Especificamente, o fitness compartilhado fs(xi) de um indivduo igual a seu fitness f(xi) dividido pelo contador de nichos, que por sua vez a soma dos valores das funes de compartilhamento entre este indivduo e o restante da populao:
f s ( xi ) =
j=1 sh(d ( xi , x j ))
N
f ( xi )
(4.24)
onde N a quantidade de indivduos da populao e sh() uma funo de compartilhamento proporcional distncia d(,) entre dois elementos da populao. A funo de compartilhamento considera um limiar de compartilhamento (similaridade) share tal que, se a distncia entre dois indivduos da populao maior ou igual share, eles no afetam seus respectivos fitness. A funo de compartilhamento mais empregada (Bck et al., 2000b):
d , se d < share , sh( d ) = 1 share 0, outros casos
(4.25)
onde uma constante (geralmente = 1) capaz de regular a forma da funo de compartilhamento. Medidas de distncia genotpica ou fenotpica podem ser empregadas, de acordo com o problema a ser tratado.
4.5.
Microevoluo: Uma Evoluo Dentro do Indivduo
Na Seo 4.4, que descreve a computao evolutiva, discutimos como a evoluo natural serviu de fonte inspiradora para o desenvolvimento de algoritmos computacionais capazes de simular processos evolutivos. Os processos de aprendizagem ou adaptao podem se manifestar de trs formas distintas na seleo natural: Adaptao filogentica: acmulo de conhecimentos com reflexos nas clulas germinais de uma espcie; Adaptao sociogentica: comportamentos adaptativos so acumulados durante a vida dentro de um grupo (sociedade); e
121
Adaptao ontogentica: comportamentos apropriados so aprendidos atravs de tentativa e erro durante a vida de um indivduo.
Organismos individuais sofrem adaptao ontogentica de vrias formas: os msculos ficam mais fortes quanto mais so utilizados, o comportamento varia ao longo do tempo, etc. Estas mudanas so rapidamente observveis, porm um dos tipos de adaptao ontogentica mais estudado envolve o sistema imunolgico dos mamferos (Cziko, 1995). Para que possamos compreender a evoluo dentro do sistema imunolgico, faremos um breve resumo da teoria da seleo clonal e maturao de afinidade dos linfcitos B (Seo 2.8). O princpio da seleo clonal pressupe que uma grande quantidade de linfcitos B contendo receptores antignicos, chamados de anticorpos, esto circulando constantemente pelo nosso organismo. A grande diversidade deste repertrio resultado da recombinao aleatria de fragmentos genticos contidos em diversas bibliotecas, somada insero aleatria de sequncias genticas conforme a clula se desenvolve. Esta grande diversidade do repertrio linfocitrio virtualmente garante que pelo menos uma clula ir produzir um anticorpo capaz de reconhecer, e portanto se ligar a qualquer antgeno que invada o organismo (completude do repertrio). A ligao Ag-Ab estimula a produo de clones desta clula (diviso celular), de modo que sucessivas geraes resultam no crescimento exponencial da quantidade de anticorpos circulantes do tipo selecionado. Alguns destes anticorpos permanecem circulando mesmo aps o final da resposta, constituindo a memria imunolgica. Outras clulas se diferenciam em plasmcitos produzindo anticorpos em grandes escalas. Finalmente, durante a reproduo, alguns clones sofrem o processo de maturao de afinidade, onde mutaes somticas so inseridas com altas taxas e, combinadas a uma forte presso seletiva, melhoram a capacidade destes anticorpos em reconhecerem os respectivos antgenos (afinidade Ag-Ab). O funcionamento da resposta imune adaptativa baseado no princpio da seleo clonal, brevemente discutido acima, revela que o sistema imunolgico pode ser visto como um microcosmo da teoria da evoluo proposta por Charles Darwin (Seo 4.4.1) com as trs caractersticas fundamentais de diversidade da populao (repertrio), variao gentica e seleo natural (Perelson et al., 1978; Cziko, 1995; Adams, 1996). A diversidade do repertrio evidente, pois o sistema imunolgico capaz de produzir uma quantidade bem maior de anticorpos (repertrio potencial) do que utilizado instantaneamente (repertrio ativo). Aparentemente, grande parte dos anticorpos produzidos no executam nenhuma tarefa durante a resposta imunolgica. A variao gentica ocorre durante a produo de novos anticorpos atravs da recombinao de fragmentos genticos das diversas bibliotecas do nosso genoma. Por ltimo, a seleo opera de forma que anticorpos capazes de reconhecerem e se ligarem aos antgenos tero maiores probabilidades de se reproduzir e serem mantidos como clulas de memria. A similaridade entre a evoluo biolgica adaptativa e a produo de anticorpos ainda mais forte quando consideramos que os dois processos centrais na produo de anticorpos, recombinao e mutao gentica, so os mesmos responsveis pela evoluo biolgica das espcies sexuadas. A recombinao dos genes que compem as molculas de imunoglobulina responsvel pela grande diversidade da populao, enquanto a mutao serve como um mecanismo de ajuste da afinidade do anticorpo em relao ao antgeno. Nas
122
espcies com reproduo sexuada, estes mesmos processos so responsveis por fornecer as variaes sob as quais a seleo natural ir atuar para tornar o organismo melhor adaptado ao seu ambiente (Holland, 1975). Assim, uma variao cega cumulativa juntamente com a seleo natural, que durante milhes de anos resultaram na emergncia dos mamferos, permanece crucial na batalha diria pela sobrevivncia desta espcie. Deve ser notado, entretanto, que a recombinao gentica das molculas de imunoglobulina envolvidas na produo de anticorpos difere consideravelmente da recombinao do material gentico proveniente dos pais na reproduo sexuada. No primeiro caso, nucleotdeos podem freqentemente ser inseridos e deletados aleatoriamente dos segmentos gnicos recombinados, enquanto a reproduo sexuada envolve quase sempre apenas a troca (crossover) de material gentico dos pais, gerando filhos constitudos por uma mistura gentica dos cromossomos dos pais. Enquanto a evoluo biolgica adaptativa ocorreu atravs da seleo natural entre organismos (ou entre organismos e genes (Dawkins, 1989)), a pesquisa em imunologia revelou a primeira evidncia clara de que uma mudana adaptativa ontogentica pode ser atingida atravs de variao e seleo cumulativas dentro dos organismos. A seleo natural pode ser vista como atuando no sistema imunolgico em dois nveis. Primeiro, permitindo a multiplicao e variao das caractersticas dos linfcitos que apresentam maiores afinidades ao antgeno e, segundo permitindo a multiplicao dos indivduos cujo material gentico apresenta maior potencialidade de fornecer mxima defesa contra doenas infecciosas associadas ao menor risco de apresentao de doenas autoimunes. Uma ltima similaridade entre o funcionamento do sistema imunolgico e a evoluo biolgica pode ser vista como o nosso prprio conhecimento sobre como cada um destes mecanismos operam. A nossa compreenso da adaptabilidade de um organismo a seu ambiente evoluiu de uma explicao instrucionista (Seo 2.1), do tipo proposto por Lamarck, para um modelo puramente seletivo, do tipo neodarwinista discutido na Seo 4.4.1. Estgios semelhantes ocorreram no desenvolvimento da teoria da evoluo atualmente aceita.
4.6.
Outras Abordagens de Sistemas Inteligentes
Esta seo visa discutir brevemente a relao entre outras abordagens de sistemas inteligentes, em particular a computao molecular e os sistemas nebulosos, o sistema imunolgico biolgico e a engenharia imunolgica.
4.6.1. Computao Molecular

O trabalho pioneiro apresentado por Adleman (1994) introduziu um experimento realizado com molculas de DNA para resolver o problema do caminho Hamiltoniano (HPP Hamiltonian path problem). Este problema pertence classe NP-completo, de natureza combinatorial e se assemelha bastante ao problema do caixeiro viajante (TSP travelling salesman problem) a ser apresentado, discutido e resolvido por uma das ferramentas de engenharia imunolgica que ser proposta no Captulo 5. O experimento de Adleman
123
(1994) levou s seguintes concluses sobre a computao molecular: 1) possvel desenvolver protocolos capazes de coordenar molculas individuais de forma que elas realizem tarefas especficas, e 2) existe uma grande potencialidade das molculas de DNA na soluo de problemas complexos de engenharia. De forma resumida, este experimento consistiu em arranjar cuidadosamente um conjunto de molculas de DNA de forma que o comportamento qumico por elas seguidas (protocolo molecular) naturalmente pudesse realizar o procedimento computacional desejado. As operaes principais desta qumica so mecanismos de ligao que permitem que os nucleotdeos bsicos dos cidos nuclicos das molculas de DNA formem estruturas maiores atravs de processos de ligao (ligation ou matching) e hibridizao (hybridization). Estes processos de ligao se do entre pares Watson-Crick complementares, A-T (Adenina-Timina) ou C-G (Citosina-Guanina), portanto, uma nica cadeia ir se ligar a outra atravs da operao de complementaridade de Watson-Crick. De forma genrica, os procedimentos mais importantes para a computao molecular podem ser caracterizados como a seguir (Garzon & Deaton, 1999): 1. Eletroforese de gel: funciona como um microscpio, permitindo a visualizao das molculas a olho nu; 2. Enzimas de restrio: funcionam como tesouras em operaes de corte e ligao; e 3. Reao em cadeia de polimerase (PCR polymerase chain reaction): opera como uma copiadora para a computao molecular, permitindo a duplicao de molculas. Estes procedimentos permitem executar alguns dos trs passos principais da metodologia de computao molecular: a 1) codificao que mapeia o problema em cadeias de DNA, a 2) hibridizao/ligao que realiza o processamento principal e a 3) extrao que permite visualizar os resultados a olho nu. Baseado na discusso acima sobre computao molecular e no Captulo 3 que apresenta os conceitos de engenharia imunolgica, possvel traar um paralelo entre elas, de acordo com a Tabela 4.5. O nico trabalho conhecido na literatura at o presente momento, que desenvolve um sistema imunolgico artificial baseado em molculas de DNA foi apresentado por Deaton et al. (1997). Neste trabalho, os autores propuseram uma verso molecular do algoritmo de seleo negativa (ASN) introduzido por Forrest et al. (1994) e discutido na Seo 3.4.3.2. No artigo apresentado por Nagano & Yonezawa (1999), foram empregadas seqncias de DNA para representar os elementos prprios e no-prprios de um sistema de autoreconhecimento, entretanto, a dinmica deste sistema foi coordenada por um algoritmo gentico e no por protocolos de computao molecular.
124
Tabela 4.5.
Paralelo entre a engenharia imunolgica e a computao molecular.
Engenharia Imunolgica Codificao
Computao Molecular
Cadeias de atributos, em S, que Cadeias de DNA representam as clulas e molculas do sistema imunolgico Enzimas de restrio
Recombinao Mutao e edio de receptores
Algoritmos (ex. ASN, Protocolos especficos de Processamento CLONALG) resultantes da sntese hibridizao/ligao de princpios imunolgicos Ligao Reproduo Decodificao Complementaridade em S Expanso clonal (mitose celular) Interpretao das cadeias de atributos resultantes Pares complementares WatsonCrick, A-T e C-G PCR Extrao (via eletroforese de gel)
4.6.2. Sistemas Nebulosos

O conceito de conjunto nebuloso foi introduzido, em 1965, por Lotfi A. Zadeh. A ele atribudo o reconhecimento como grande colaborador da Teoria de Controle Moderno. Em meados dos anos 60, Zadeh observou que os recursos tecnolgicos disponveis eram incapazes de automatizar as atividades relacionadas a problemas de natureza industrial, biolgica ou qumica, que compreendessem situaes ambguas, no passveis de processamento atravs da lgica computacional fundamentada na lgebra (lgica) Booleana. Procurando solucionar estes problemas, Zadeh (1965) publicou um artigo resumindo os conceitos sobre conjuntos nebulosos, revolucionando o assunto com a criao dos sistemas de inferncia nebulosa. A inferncia nebulosa envolve a representao e operao com variveis lingsticas e conjuntos nebulosos. Conjuntos nebulosos surgiram como uma nova forma de representao de incertezas, e tm sido bastante utilizados em problemas de mundo real e, principalmente, em conjunto com outras metodologias como redes neurais artificiais, computao evolutiva e, mais recentemente, sistemas imunolgicos artificiais. A lgica refere-se aos princpios formais que sustentam as leis do pensamento e espelham os fundamentos de vrias reas da cincia e engenharia. Sistemas com lgica de dois valores (lgica binria ou bi-valorada) tratam sentenas cujos valores so verdadeiro ou falso. Em lgica multi-valorada, uma sentena pode ser verdadeira, falsa, ou pode assumir valores verdade intermedirios. A lgica nebulosa vai muito alm da lgica multivalorada, e admite valores verdade que so conjuntos nebulosos do intervalo unitrio. Os valores verdade podem ser vistos como caracterizaes lingsticas de valores verdade
125
numricos. Assim, a lgica nebulosa trata os princpios do raciocnio aproximado (Pedrycz & Gomide, 1998). Krishnakumar et al. (1995) propuseram um sistema computacional imunizado empregando metforas imunolgicas e tcnicas computacionais com o objetivo de reproduzir a robustez e adaptabilidade do sistema imunolgico biolgico. A estrutura do sistema hbrido proposto, simulando blocos de processamento do sistema imunolgico, era composta por redes neurais artificiais, sistemas nebulosos e algoritmos evolutivos, de acordo com o problema a ser tratado. O desempenho desta abordagem foi avaliado em um problema de controle autnomo de avies. Nos trabalhos apresentados por Lee et al. (1999) e Jun et al. (1999), foram utilizados diferentes tipos de anticorpos, cada qual com uma tarefa especfica. Neste caso, o nvel de estimulao de um dado anticorpo era funo do seu percentual de sucesso na execuo de uma tarefa, de acordo com uma funo semelhante apresentada na Figura 4.23. Esta funo tpica em sistemas nebulosos, onde o universo de discurso de uma varivel (no caso o percentual de sucesso) particionado em vrios intervalos, permitindo uma representao aproximada do fenmeno tratado. Alm destes exemplos de aplicaes, na Seo 3.4.2.1 foi definido um valor de ligao vl entre duas molculas proporcionalmente afinidade entre elas. Este vl dependente de uma funo de ativao capaz de permitir valores graduais de ligao. No sistema imunolgico biolgico, o reconhecimento antignico acontece de forma aproximada, ou seja, uma resposta imune adaptativa pode ser promovida mesmo quando no ocorre uma ligao perfeita entre o antgeno e o anticorpo. Juntamente com a reatividade cruzada, estas caractersticas ressaltam a existncia de processamentos nebulosos (aproximados) dentro do sistema imunolgico, sugerindo que a lgica nebulosa pode ser bastante apropriada para modelar diversos mecanismos e aspectos do sistema imunolgico biolgico. Finalmente, na Seo 5.5 apresentaremos um modelo de rede imunolgica artificial para resolver problemas de clusterizao e compresso de dados, e discutiremos uma forma de clusterizao nebulosa (gradual) que pode ser desempenhada por este modelo.
Nvel de estimulao
1.0
g3
g2
g1
g0
25
50
75
100
(%)
Figura 4.23. Funo de determinao do nvel de estimulao de um dado anticorpo.
126

Cap 4

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cap 4

Enviado por

Direitos autorais:

Formatos disponíveis

CAPTULO 4 SISTEMAS INTELIGENTES E O SISTEMA IMUNOLGICO

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

Redes Neurais Artificiais

Corpo celular (soma)

Leandro Nunes de Castro

Funo de ativao f()

Representao funcional de um neurnio artificial.

4.2.1. Caractersticas Principais

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

Propagao do sinal funcional

Leandro Nunes de Castro

Propagao do sinal funcional Retro-propagao do erro

Primeira camada escondida

Segunda camada escondida

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

Arquitetura recorrente de rede sem nenhuma camada intermediria.

Leandro Nunes de Castro

Vetor descrevendo o estado do ambiente Sada desejada (d) Ambiente Supervisor

Sinal de erro (e)

Diagrama de blocos do processo de aprendizagem supervisionada.

Vetor de estado do ambiente Ambiente Sistema em Aprendizagem

Diagrama de blocos dos processos auto-organizados.

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

Leandro Nunes de Castro

Vetor de estado (entrada) Ambiente Crtico

Reforo heurstico Sistema em Aprendizagem Aes

Diagrama de blocos do processo de aprendizagem por reforo.

4.2.2. Modelos Neurais e Algoritmos de Treinamento

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

w1,1 wo,1 y1 . . . w1,m wo,m

Rede neural com funes de ativao de base radial (RBF).

Leandro Nunes de Castro

h(|| x1 c1 ||, 1 ) H1 = h(|| x N c1 ||, 1 )

h(|| x1 cm1 ||, m1 ) . h(|| x N cm1 ||, m1 )

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

unidades de sada j pesos das conexes wi,j

Figura 4.11. Arquiteturas tpicas de um SOM. (a) Bidimensional. (b) Unidimensional.

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

Leandro Nunes de Castro

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

A variao da energia E devido a uma variao sj do estado do neurnio j dada por

O Sistema Imunolgico e o Sistema Nervoso Central

SNE Produo Receptores

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

4.3.1. Aspectos Cognitivos

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

4.3.2. Similaridades e Diferenas

Leandro Nunes de Castro

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

Vesculas contendo neurotransmissores

Receptores para neurotransm issores

Leandro Nunes de Castro

4.3.3. Engenharia Imunolgica e Redes Neurais Artificiais

Interaes com outras unidades

Limiar Robustez Localizao Comunicao Estado Controle

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

Leandro Nunes de Castro

4.4.1. Evoluo Natural

Cap. 4: Sistemas Inteligentes e o Sistema Imunolgico

Ecossistema Espcie Populao Indivduo Organismo rgo Clula

Figura 4.16. Hierarquia dentro dos sistemas biolgicos.

Leandro Nunes de Castro

Terminologia biolgica terminologia computacional (assumindo representao binria).