algorithmes du systeme immunitaire artificiel pour la surveillance ...

International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
ALGORITHMES DU SYSTEME IMMUNITAIRE
ARTIFICIEL POUR LA SURVEILLANCE
INDUSTRIELLE
A. ABDELHADI, L H. Mouss, O. KADRI
Laboratoire d’automatique et de Productique, Département de Génie Industriel, Université de BATNA, ALGERIA
abdelhadi.adel@gmail.com, h-ouss@caramail.com, ouahabk@gmail.com
Résumé--Nous décrivons dans cet article un survol des
algorithmes du système immunitaire Artificiel pour
résoudre le problème de classification lors de la
surveillance industrielle. Nous présentons les algorithmes
du système immunitaire artificiel commençant par la
sélection négative qui se trouve être une riche source
d’inspiration. Nous détaillons aussi l’algorithme de
sélection clonal qui est basé sur la théorie de sélection
clonal. Nous détaillons finalement d’autres algorithmes à
base d’agent avec notamment le réseau immunitaire et
l’algorithme de cellule dendritiques. En fin, nous résumons
les différences et les ressemblances des travaux abordés et
nous concluons sur les perspectives liées à l’approche des
algorithmes des systèmes immunitaires artificiels pour la
surveillance industrielle afin de résoudre le problème de
classification.
Mots Clés--Système immunitaire naturel, Système
immunitaire artificiel, Antigène, Anticorps, Cellules B,
classification, sélection négative, sélection clonal.
I. INTRODUCTION
Le problème de la classification de données est reconnu
comme l’une des complications importantes en extraction
des connaissances à partir de données. La complexité du
problème de la classification de données a offerte
naissance à plusieurs méthodes de résolution. Ces
méthodes peuvent a la fois faire appel à des principes
heuristiques ou encore mathématiques. Parmi celles-ci, il
existe une branche qui s’inspire plus spécialement de
principes issus de la biologie. Les motivations des
chercheurs sont d’une part de tester de nouveaux
algorithmes sur le problème de la classification et de
connaître leurs apports. Mais elles sont aussi de
proposer de nouvelles sources d’inspiration, car le
problème de la classification se rencontre souvent chez
les animaux et dans les systèmes biologiques.
149
Nous allons donc donner un aperçu de ces méthodes
et surtout les approches à base de population
d’agents, c’est les algorithmes du système
immunitaire artificiels.
II. NOTIONS DE BASES
A. Système Immunitaire Naturel
Un ensemble coordonné d'éléments qui détermine si
des molécules occupent ou non l'espace extracellulaire
qui leur est dévolu. Il agit ainsi comme un mécanisme
de défense qui discrimine le « soi » du « non-soi », et
qui cherche à détruire les pathogènes, tels que les
virus, les bactéries, les parasites, les cellules
cancéreuses, certaines particules ou molécules
« étrangères » (dont certains poisons).
B. Lymphocytes
Des leucocytes qui ont un rôle majeur dans le
système immunitaire. En termes de structure et de
fonction, on distingue deux lignées lymphocytaires
différentes : les lymphocytes B et T. Les leucocytes ou
globules blancs sont des cellules produites dans la
moelle osseuse et présentes dans le sang, la lymphe,
les organes lymphoïdes (ganglions, rate, amygdale et
végétations adénoïdes et plaques de Peyer) et de
nombreux tissus conjonctifs de l'organisme
C. Lymphocyte T.
Appelés thymocytes ou cellules T, c'est une
catégorie de lymphocytes qui joue un grand rôle dans
la réponse immunitaire primaire mais également
secondaire. « T » est l'abréviation de thymus, l'organe
dans lequel leur développement s'achève. Elles sont
responsables de l'immunité cellulaire : les cellules
(bactéries, cellules cancéreuses) reconnues comme
étrangères (c'est-à-dire, autres que celles que les
cellules T ont appris à tolérer lors de leur maturation)
sont détruites par un mécanisme complexe.

International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
D. Antigène
Une macromolécule naturelle ou synthétique,
reconnue par des anticorps ou des cellules du système
immunitaire et capable d'engendrer une réponse
immunitaire.
Les antigènes sont généralement des protéines, des
polysaccharides et leurs dérivés lipidiques. Des
fragments d'antigènes appelés haptènes peuvent aussi
induire une allergie.
On distingue deux classes d'antigènes,
- Les antigènes de classe 1, présents dans toutes les
cellules;
- Les antigènes de classe 2, présents uniquement dans
les cellules immunitaires.
E. Anticorps
Une protéine complexe utilisée par le système
immunitaire pour détecter et neutraliser les antigènes
de manière spécifique. Les anticorps sont sécrétés par
des cellules dérivées des lymphocytes B : les
plasmocytes. Les anticorps constituent
l'immunoglobuline principale du sang, aussi on utilise
parfois le terme immunoglobuline à la place du mot
anticorps, mais cet emploi est abusif.
III. PRINCIPE DE FONCTIONNEMENT DU SYSTÈME
IMMUNITAIRE
Les systèmes immunitaires (SI) sont un ensemble de
modélisations du système immunitaire humain et
animal appliques a différents problèmes en
informatique. Ils utilisent les principes suivants : des
agents (lymphocytes) qui génèrent des anticorps vont
apprendre à reconnaître le soi du non-soi (les
antigènes). Pour cela, ces agents doivent d’abord être
engendrés en utilisant un principe de composition de
briques élémentaires.
Ensuite, ils subissent un test de sélection (dit de
sélection négative) : les agents rejetant le soi sont
éliminés, et les autres, qui vont rejeter le non soi, sont
gardés. Chaque fois qu’il y a reconnaissance d’un
antigène par un anticorps, la présence des
lymphocytes générant ces anticorps est favorisée par
un processus de sélection par clonage et par la
disparition des lymphocytes non stimules par les
antigènes. Ce clonage donne donc lieu a des
interactions entre les lymphocytes et peut mettre en
œuvre des mutations.
Certains lymphocytes, lorsqu’ils sont souvent utilisés,
prennent un rôle d’élément de mémorisation à long
terme. Ces systèmes disposent de propriétés
complexes, car ils sont capables de générer des
150
solutions et de les sélectionner en fonction de leur
efficacité selon des heuristiques originales.
IV. SYSTÈME IMMUNITAIRE BIOLOGIQUE
L’un des rôles les plus importants d’un système
Immunitaire biologique (SIB) consiste à protéger
l’organisme hôte contre les agressions d’éléments
pathogènes, aussi bien internes (provenant du milieu
intérieur), tels que par exemple les tumeurs et les
cellules cancéreuses, qu’externes (provenant de
l’environnement extérieur), tels que par exemple les
bactéries, les virus et les parasites. S’ils ne sont pas
stoppés et/ou éliminés, ces pathogènes prolifèrent dans
l’organisme et génèrent des maladies nuisibles à son
bon fonctionnement.
Le système Immunitaire est alors confronté aux
problèmes de détection, d’identification et de réponse
aux pathogènes. Suite à la détection de la présence
d’éléments nuisibles dans l’organisme, l’étape
d’identification ou reconnaissance [1] consiste à
orienter la réaction Immunitaire vers les mécanismes
les plus appropriés pour déclencher une réponse
Immunitaire et ainsi éliminer ou stopper les effets
indésirables du pathogène [1]
V. MÉCANISMES BIOLOGIQUES DE DÉTECTION
Les pathogènes ne peuvent pas être directement
reconnus par les cellules du système Immunitaire. Ces
dernières sont seulement capables d’identifier des
portions à la surface de ces pathogènes, des fragments
de ces pathogènes ou des toxines, qui sont des
substances sécrétées par ces pathogènes [5].
L’empreinte (portion, fragment ou toxine) qui permet
aux cellules immunitaires de détecter la présence d’un
pathogène en tant que substance étrangère et
potentiellement dangereuse à l’organisme est dite
antigène.
Plusieurs théories [7] [6] [2] ont été proposées afin
d’expliquer comment est ce que le système
Immunitaire distingue les éléments (cellules, tissus,
substances, molécules) qui appartiennent à
l’organisme – le Soi – de ceux qui sont nuisibles à
l’organisme – le Non Soi.
Selon la théorie de la discrimination Soi/Non-soi
[7] [3] la surface des cellules immunitaires est munie
de récepteurs capables de détecter exclusivement le
Non Soi, de se lier avec ses antigènes et de déclencher
les mécanismes permettant de l’éliminer. Ainsi, la
décision d’élimination de l’antigène, ainsi que celle
sur la manière avec laquelle ce dernier est éliminé

International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
reviennent aux cellules immunitaires [8]. La théorie
du danger [2] fournit une autre vision, selon laquelle
la prise de décision revient non pas aux cellules
immunitaires, mais plutôt aux cellules de l’organisme
que le système Immunitaire est sensé protéger [8].
Selon cette théorie, les SIB sont capables de détecter
et de réagir au danger plutôt que de détecter ou de
réagir au Non Soi. Les cellules agressées sont capables
de guider la réponse Immunitaire par la production de
signaux de danger qu’elles émettent lorsqu’elles
périssent de manière anormale [9]. Ces signaux
établissent un périmètre de danger autour de la cellule
agressée, au sein duquel les cellules immunitaires qui
réussissent à identifier l’antigène sont activées pour le
capturer [9].
Par ailleurs, certains virus sont capables d’échapper
à la détection par leurs antigènes correspondants et ne
se manifestent qu’après avoir infecté des cellules
hôtes. Lorsqu’un tel virus envahit une cellule de
l’organisme, il dérègle son fonctionnement ([3]). Les
cellules infectées manifestent alors à leur surface des
récepteurs différents de ceux habituellement affichés
[5], ou ne manifestent plus du tout de récepteurs [4].
Certaines cellules spécialisées (cellules NK et Tk) du
système Immunitaire sont capables de détecter ce
changement dans le comportement des cellules
infectées. Elles sont alors activées et procèdent à
l’élimination des cellules infectées
VI. MÉCANISMES BIOLOGIQUES D’IDENTIFICATION ET DE
RECONNAISSANCE
Les SIB identifient les antigènes moyennant deux
sous-systèmes inter reliés : l’immunité innée (système
Immunitaire inné) et acquise (système Immunitaire
adaptatif). Chacun de ces deux sous systèmes
contribue différemment mais effectivement à la
réponse Immunitaire.
L’immunité adaptative est organisée autour de deux
classes de cellules : les lymphocytes B et T, alors que
l’immunité innée est organisée autour d’une plus
grande variété de cellules telles que les cellules
dendritiques, les macrophages et les cellules NK [1].
Alors que les récepteurs à la surface des cellules du
système Immunitaire adaptatif sont très spécifiques à
des (micros) caractéristiques distinctives d’un
pathogène particulier, les récepteurs à la surface des
cellules de l’immunité innée sont plus génériques,
sensibles à des (macros) caractéristiques plutôt
générales permettant de distinguer différentes classes
entières de pathogènes [4].
151
L’immunité innée confère à l’organisme une
première ligne de défense rapide permettant de
maîtriser tôt l’infection. Les cellules de l’immunité
innée sont capables d’identifier directement (par elles
mêmes, i.e. sans l’aide d’autres cellules immunitaires)
certains microorganismes. Elles sont alors activées et
éliminent les intrus par différents moyens [5]. En
parallèle, l’immunité innée initie et guide une réponse
adaptative, plus lente à se déployer, afin de développer
une réponse plus spécifique et mieux adaptée à
l’antigène [4]. Cette initiation est effectuée grâce à des
mécanismes d’identification et de présentation
antigénique.
Lorsqu’un antigène est reconnu nuisible, les
lymphocytes Th jouent un rôle de médiation. Ils
orientent la réponse adaptative en fonction de la
virulence et des caractéristiques de l’antigène, en
confirmant l’activation de cellules Immunitaire
effectrices (lymphocytes B ou Tk) ayant détecté
l’antigène. La figure 1 présente les acteurs d’une
réponse immunitaire biologique et illustre les
différentes interactions de stimulation et de
stimulation entre eux.
FIG1. Coopération dans les systèmes immunitaires
biologiques
Par ailleurs, la théorie du réseau immunitaire [6]
stipule que les cellules immunitaires sont capables de
se reconnaître et de s’éliminer mutuellement. En effet,
des portions des récepteurs à la surface des cellules
immunitaire peuvent être reconnues par d’autres
cellules immunitaires, similairement à la manière avec
laquelle un antigène serait reconnu par ces cellules.
Cette théorie décrit le système immunitaire comme un
réseau auto régulé de molécules et de cellules capables
d’interagir, de se stimuler et de se supprimer, même
en l’absence d’antigènes. Ces interactions de
stimulation et de suppression permettent de contrôler
la prolifération et l’élimination des cellules dans ce
réseau et de réguler la taille et la diversité du réseau
de cellules immunitaires.

International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
VII. RÉPONSE IMMUNITAIRE ADAPTATIVE
Les principales caractéristiques d’une réponse
immunitaire adaptative en présence d’un antigène sont
décrites par le principe de sélection clonage [7] [3].
Cette théorie stipule que seuls les lymphocytes B qui
détectent l’antigène sont sélectionnés, prolifèrent, se
différencient, et sécrètent des anticorps, molécules très
spécifiques à l’antigène capables de le neutraliser et
de faciliter son élimination par d’autres cellules
immunitaires.
Lorsqu’un lymphocyte B détecte un antigène, plus
précisément, lorsque l’intensité de la liaison chimique
entre les récepteurs à la surface du lymphocyte B et
l’antigène excèdent un seuil d’activation ou seuil
d’affinité, il est stimulé pour reproduire des clones
(copies) de lui-même. En se formant, ces clones
subissent un mécanisme de maturation de l’affinité [5]
destiné à améliorer la capacité des lymphocytes B à
détecter l’antigène. Ce mécanisme est mis en œuvre
grâce à des mutations à la fois rapides, pour accélérer
la réponse à l’antigène, et de haute fréquence pour
améliorer la qualité de la liaison chimique avec
l’antigène [5].
Une réponse immunitaire réussie conduit à la
formation de cellules mémoires ayant une haute
affinité avec l’antigène à l’origine de la réponse. Si
des cellules mémoires issues d’une première réponse
immunitaire sont confrontées de nouveau à un
antigène connu, ou ayant une structure voisine de celle
d’un antigène connu (principe d’immunisation), elles
sont immédiatement activées et déclenchent une
deuxième réponse immunitaire plus rapide et plus
virulente que la première [5].
VIII. SYSTÈME IMMUNITAIRE ET CLASSIFICATION
En ce qui concerne la classification, les principes des
systèmes immunitaires sont, a un niveau général, les
suivants (voir par exemple le système aiNet [3]) : les
données d1,...,dn représentent les antigènes, qui sont
présentes itérativement au système jusqu’`a
l’obtention d’une condition d’arrêt. On suppose que
les données sont numériques . Donc un antigène
représente par un vecteur de dimension n. A chaque
itération, l’antigène présent va activer des anticorps
(assimiles dans cette modélisation à des lymphocytes-
B). Un anticorps est également représente par un
vecteur de dimension n. Les anticorps suffisamment
proches de antigène (au sens de la distance
euclidienne) vont subir des clonages avec mutation
(interaction anticorps/antigènes) afin d’amplifier et
152
d’affiner la réponse du système. Egalement, ces
anticorps vont subir une sélection (interaction
anticorps/anticorps) : ceux qui sont trop proches les
uns des autres seront diminues en nombre. Après ces
itérations, le système converge en plaçant des
anticorps (qui agissent comme des détecteurs) de
manière judicieuse et en nombre adapte aux données,
d’autres modèles plus complexes existent. Ainsi dans
[1] le système utilise plusieurs niveaux de cellules et
d’interaction (anticorps, lymphocytes, cellules de
mémorisation). Dans [2], ce même système est
généralisé et amélioré en utilisant des fonctions
d’appartenance floue plutôt qu’une distance
euclidienne et un seuil.
IX. SYSTÈMES IMMUNITAIRES ARTIFICIELS
Pour que le système immunitaire d'un mammifère
puisse être activé, il faut au préalable qu'un récepteur
d'une cellule reconnaisse un antigène avec un certain
degré d'affinité pour déclencher une réponse
immunitaire. Le corps humain dispose d'un organe
nommé thymus 2 jouant un rôle important dans
l'évolution des cellules T (T pour thymus). Si au cours
de son évolution, une cellule T reconnaît un antigène
du soi, elle sera exclue de la population des cellules T
et sera détruite : c'est le procédé de la sélection
négative.
Lorsqu'une cellule B (B pour Bone marrow)
rencontre un antigène du non-soi avec une certaine
affinité, elle sera dupliquée et gardée en mémoire si
son affinité est importante. C'est la sélection clonale.
Si au contraire, elle rencontre un antigène du soi, il se
peut qu'elle soit détruite, c'est le procédé du réseau
immunitaire.
Les Systèmes Immunitaires Artificiels ont comme
principales propriétés : l'apprentissage et la
mémorisation, l'auto organisation, l'adaptation, la
reconnaissance, la robustesse et l'évolutivité [11]. La
plupart des chercheurs se sont concentrés sur les
mécanismes de l'apprentissage et la mémoire du
système immunitaire en étudiant les processus de la
sélection clonale et des réseaux immunitaires. Mais
également sur le principe de sélection négative pour la
génération de détecteurs capables de classer les
changements du soi.
Dans cette section, nous allons brièvement
expliquer chacun de ces procédés et leurs algorithmes
tels qu'ils sont définis dans les systèmes immunitaires
artificiels.
A. Algorithme de Sélection Négative

International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
Le thymus est une barrière contre les antigènes du
non soi. Les cellules T présentant un antigène du nonsoi
sont détruites dans cet organe. Toutes les cellules
T sortant du thymus et circulant dans le corps sont
dites tolérantes envers le soi.
D'un point de vue informatique, l'algorithme de la
sélection négative est basé sur l'idée de générer un
ensemble de détecteurs et de comparer l'affinité qu'ils
ont avec chaque élément du soi [11] [1].
L'action suivant la détection d'un élément du nonsoi
varie selon le problème que l'on souhaite résoudre.
En effet, l'algorithme de la sélection négative est
utilisé dans de nombreux domaines [1] : détection
d'anomalie, traitement d'image, tolérance des défauts
sur le matériel. Cette discrimination du soi/non-soi
impose donc une connaissance des paramètres des
éléments. Pour notre cas d'étude, il faudra donc
décrire de façon précise les attributs formant une
action.
Algorithme 1 Sélection négative d'après [1]
Entrée: S Un ensemble d'éléments du soi
Sortie: D Un ensemble de détecteurs
- Générer un ensemble de détecteurs de manière à ce
qu'aucun n'ait d'affinité avec un élément de S
- Définir un seuil d'affinité a
- Si affinité entre d et s alors classer s comme non-soi,
sinon classer s comme soi.
Return D
B. Algorithme de Sélection Clonale
En complément du rôle de la sélection négative, la
sélection clonale est une théorie utilisée pour
expliquer comment une réponse immunitaire est
activée lorsqu'une cellule B reconnaît la forme d'un
antigène du non soi.
La sélection clonale a pour objectif de produire une
population de cellules B. Ces dernières sont
composées, à leur surface, de récepteurs d'antigènes
(anticorps). Seuls les anticorps obtenant un seuil
d'affinité (mesure de la similarité entre un anticorps et
un antigène [10]) suffisant avec un antigène sera
dupliqués. C'est la phase d'expansion clonale. Elle
permet de produire une population de cellules B
suffisamment conséquente pour éliminer l'antigène.
Au cours de cette reproduction, les cellules
sélectionnées seront soumises à un processus de
mutation afin que les récepteurs obtiennent une
meilleure affinité avec l'antigène.
Certaines des cellules ayant les plus grandes
affinités avec l'antigène deviendront des cellules
153
mémoire afin que, dans le cas où le système
"rencontre" le même antigène, la création d'anticorps
adaptés soit plus rapide. On appelle cela la seconde
réponse. La figure suivante représente l'expansion
clonale.
L'algorithme de sélection clonale est un algorithme
d'optimisation : Il fait évoluer une population
d'individus vers un optimum global. Selon De Castro
et Timmis dans l'article [1], CLONALG est
l'algorithme qui satisfait le mieux les procédés de base
de la sélection clonale. De plus, cet algorithme permet
au système immunitaire artificiel de devenir de plus
en plus performant dans la reconnaissance de formes
[1]. L'algorithme suivant illustre les différentes étapes
de la sélection clonale d'un point de vue informatique.
FIG2: Schéma de l’affinité entre un anticorps et un
antigène [1]
FIG3 : schéma de la sélection clonale [1].
Algorithme 2 Sélection clonale [1]
Entrée: Un ensemble P de formes à reconnaître
Initialisation aléatoire d'une population d'individus M
Tant que Une forme minimale n'est pas reconnue faire
Pour Chaque forme de P faire
- Déterminer s'il y a une affinité avec chaque élément
de M
Fin pour
- Sélectionner n1 éléments ayant la meilleure affinité

International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
avec les éléments de M
- Générer des copies de ces éléments
proportionnellement à leur affinité avec l'antigène.
- Muter toutes les copies proportionnellement avec
leur affinité avec les formes de l'ensemble P (Pus
l'affinité est élevée, plus la mutation est faible).
- Ajouter les individus mutés dans la population M
- Choisir n2 de ces éléments mutés (optimisés) comme
mémoire.
Fin tant que
C. Algorithme de réseau immunitaire
La sélection clonale est le moyen utilisé par le
système immunitaire pour vaincre des antigènes du
non-soi tandis que la sélection négative lui permet de
se protéger contre des antigènes du soi. Le réseau
immunitaire quant à lui définit la façon dont les
cellules réagissent entre elles dans le système
immunitaire. Cette théorie du réseau immunitaire, a
été proposée par Jerne en 1974. Elle est très difficile à
prouver expérimentalement, c'est pourquoi elle fut
souvent l'objet de réfutations de la part de quelques
immunologistes.
Le procédé est sensiblement le même que celui de la
sélection clonale, sauf qu'il existe un mécanisme de
suppression qui détruit les cellules qui ont un certain
seuil d'affinité entre elles.
L'algorithme aiNet [11] a pour but de limiter la
redondance dans l'ensemble de la population donnée
en entrée de l'algorithme. Voici sa version simplifiée
telle que la donne Timmis :
Algorithme 3 Réseau immunitaire [11]
Entrée: Un ensemble G de formes à reconnaître
Entrée: Un ensemble N de détecteurs aléatoire
Entrée: n le nombre de meilleurs récepteurs
Sortie: M un ensemble de détecteurs générés capable de
reconnaître les formes entrantes.
- Initialisation aléatoire d'une population d'individus B
Pour Chaque forme à reconnaître faire
- Calculer l'affinité pour chaque membre de B avec
chaque détecteur de N.
- Sélectionner les n membres de B ayant la meilleure
correspondance avec les formes.
- Cloner et muter chaque n selon le degré d'affinité.
- Placer l'élément n ayant la plus forte affinité et
l'ajouter à l'ensemble M.
- Parcourir l'ensemble Met retirer les membres les
plus faibles (la plus faible affinité).
- Générer des éléments b et les ajouter à l'ensemble
B.
Fin pour
154
X. DIFFÉRENTS DOMAINES D'APPLICATION
Les applications basées sur les systèmes
immunitaires artificiels sont très nombreuses et dans
une grande variété de domaines. Cela va de
l'apprentissage, jusqu'à la robotique en passant par la
détection d'anomalies et la résolution de problèmes
[10].
Comme le montre la liste d'applications reposant
sur un AIS, tous les algorithmes (la sélection négative,
la sélection clonale, le réseau immunitaire) ne sont
pas obligatoirement implémentés dans une
application. Chacun ayant un rôle bien défini, selon le
domaine, un algorithme sera plus adapté qu'un autre.
Dans l'article [10] les auteurs citent quelques
exemples d'applications utilisant les AIS.
- Dans le domaine de la détection d'anomalie, se sont
les procédés de la sélection négative et de la sélection
clonale qui sont largement présents. Dans ce domaine,
de nombreuses recherches sont orientées vers la
sécurité des ordinateurs et des réseaux informatiques.
L'algorithme de la sélection négative est utilisé pour
reconnaître un virus (non soi) ou un utilisateur non
enregistré (non soi). Celui de la sélection clonale
améliore cette reconnaissance (grâce à sa
fonctionnalité d'hyper mutation somatique) et permet
un apprentissage des intrusions (cellules mémoire).
- Un modèle de réseau immunitaire artificiel ayant
pour but de regrouper des données et de filtrer les
données redondantes.
- La reconnaissance d'un ensemble de caractères
binaires, en utilisant l'algorithme de la sélection
clonale.
- La sélection clonale a également inspiré un
algorithme de réseaux de neurones booléen (ABNET :
AntiBody NETwork).
- On retrouve aussi le procédé de la sélection négative
dans des applications de contrôles de pannes. Ceci,
dans le but de concevoir des systèmes matériels
donnant un important degré de fonctionnement, même
en cas d'erreur.
- La sélection négative est employée pour construire
un ensemble de détecteurs pour détecter uniquement
ce qui est utile. Ce procédé apparaît dans la
reconnaissance de formes tout comme dans la
segmentation d'images aériennes.
- La théorie du réseau immunitaire est utilisée pour
produire un système de reconnaissance et de
classification de formes.
- L'algorithme de la sélection clonale est également

International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
appliqué pour détecter des nouveautés dans des
données de série chronologique.
XI. CONCLUSION
Finalement, on peut dire que l’AIS est des méthodes
puissantes dans la classification. L’intégration des AIS
avec d’autres méthodes d’optimisation pourra peut être
porté de meilleurs résultats en faisant le choix sur les
meilleurs paramètres de d’apprentissage, prenant
l’exemple des algorithmes génétiques.
Ce travail ouvre de nombreuses perspectives de
recherche. Des recherches complémentaires sont
nécessaires pour affiner certains des concepts que nous
avons introduits, tels que ceux relatifs à la théorie du
réseau immunitaire ou à l’affinité. Les mécanismes que
nous avons présentés étant compatibles avec des
approches distribuées de type multi agents, leur
intégration dans de telles architectures reste à étudier. De
même, leur mise en œuvre et leur intégration dans des
MES (Manufacturing Execution Systems) constituent des
directions de recherche.
155

RÉFÉRENCES
International Conference On Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria
[1] De Castro L.N., Timmis J.I., Artificial immune systems: A new
computational intelligence approach, Berlin, Springer – Verlag,
2003.
[2] Matzinger P., « An innate sense of danger », Seminars in
Immunology, vol. 10, 1998, p. 399-415.
[3] Goldsby R., Kindt T., Osborne B., Kuby Immunology, Fourth
Edition, WH Freeman at MacMillan Press, 2000.
[4] Twycross J., Aickelin U., « Towards a conceptual framework for
innate immunity », Proceedings of the 4th International Conference
on Artificial Immune Systems ICARIS-2005, LNCS 3627, 2005,
Springer-Verlag, Banff, Canada, p.112-125.
[5] Hofmeyr S. A., « An interpretative introduction to the immune system
», In Design Principles for the Immune System and Other Distributed
Autonomous Systems, edited by L.A. Segel and I. Cohen. Santa Fe
Institute Studies in the Sciences of Complexity, New York, Oxford
University Press, 2000.
[6] Jerne N. K., « Towards a Network Theory of the Immune System »,
Annales d’Immunologie, Institut Pasteur, vol. 125C, 1974, p. 373-
389.
[7] Burnet F., The clonal selection theory of acquired immunity,
Nashville, TN, Vanderbilt University Press, 1959.
[8] Greensmith J., Aickelin U., Twycross J., « Detecting Danger:
Applying a Novel Immunological Concept to Intrusion Detection
Systems », 6th International Conference on Adaptive Computing in
Design and Manufacture (ACDM 2004), Bristol, UK, 2004.
[9] Aickelin U., Cayzer S., « The danger theory and its application to
Artificial Immune Systems », 1st International Conference on
Artificial Immune Systems, Canterbury, UK, 2002, p. 141-148.
[10] Watkins A., Timmis J., Boggess L. (2004). Artificial immune
recognition system (AIRS): an immune inspired supervised learning
algorithm. Journal de l’académie Kluwer Genetic Programming and
Evolvable Machines. pp 291-317.
[11] Timmis, J., Hone, A., Stibor, T., Clark, E., 2008. Theoretical
advances in artificial immune systems. Volume 403, 11–32.
[12] Dasgupta D., Ji Z., Gonzalez F., « Artificial Immune System (AIS)
research in the last five years », The 2003 Congress on Evolutionary
Computation, CEC '03, vol.1, 2003, p. 123-130.
[13] Shen W., Hao Q., Yoon H.J., Norrie D.H., « Applications of agent
based systems in intelligent manufacturing: An updated review »,
Advanced Engineering Informatics, vol. 20, 2006, p. 415-431.
[14] Secker A., Freitas A., Timmis J. (2003). AISEC: an Artificial
Immune System for E-mail Classification. Journal IEEE Evolutionary
Computation ECE’2003 pp 131-138.
[15] Watkins A. (2001). AIRS: A resource limited artificial immune
classifier. Thèse de l’université de Mississipi du département
d’informatique. Mississippi.
[16] Watkins A., (2005), Exploiting immunological metaphors in the
development of serial, parallel, and distributed learning algorithms,
PhD de l’université de Kent.
[17] Watkins A., Boggess L. (2002a). A New Classifier Based on
Resources Limited Artificial Immune Systems. Proceeding congress
de Evolutionary Computation, IEEE World Congress on
Computational Intelligence held en Honolulu, pp 1546-1551. IEEE.
USA.
[18] Shen W., Norrie D.H., « Agent-based systems for intelligent
manufacturing: a state- of-the-art survey », KAIS, vol. 1, n. 2, 1999,
p. 129–156.
[19] Shen W., Norrie D.H., Barthès J.-P., Multi-Agent Systems for
Concurrent Intelligent Design and Manufacturing, Taylor and
Francis, London, UK, 2001.
156