Palabras Clave: sistema inmune artificial inteligencia artificial sistemas de comportamiento emergente herramientas de inteligencia artificial.

[English]

Introducción

El interés por los sistemas inspirados en fenómenos de la naturaleza ha tenido un importante crecimiento en los últimos años. Entre los más importantes podemos mencionar los algoritmos inspirados en la teoría evolutiva de los seres vivos (Goldberg, 1989) (Paul, 1995) (Lawrence, 1999), las redes neuronales basadas en el sistema nervioso (Rojas, 1996), la colonia de hormigas (Maniezzo, 1996) y la computación, usando ADN (Adleman, 1994), entre otros.

De la misma manera, el sistema inmune biológico ha servido como inspiración para crear un nuevo paradigma que se basa en algunas de las características más prominentes que ostenta. En este artículo se describirán de forma muy general algunos aspectos de esta área emergente de la computación. El sistema inmune puede ser visto como un complejo sistema evolutivo de procesamiento de información, capaz de reconocer, aprender y recordar patrones. El sistema inmune es, además, descentralizado y, por lo tanto, tolerante a fallas. Es también un sistema robusto que trabaja por niveles, y además muestra un interesante comportamiento global a partir de interacciones locales simples.

El sistema inmune artificial es una nueva área de investigación que busca adquirir un mayor conocimiento del funcionamiento del sistema inmune biológico, a través de la creación de modelos computacionales que permitan emular, en la medida de lo posible, el comportamiento global del sistema inmune o de alguno de sus procesos en particular. Asimismo, la ingeniería inmune es un paradigma emergente que crea herramientas basadas en ideas inspiradas en el sistema inmune que son usadas para solucionar problemas de ingeniería. El éxito de esta nueva manera de ver la ingeniería se debe a que los procesos tienen más flexibilidad, y no se requiere conocimiento detallado del problema que se desea resolver.

A pesar del creciente número de trabajos realizados en esta área, aún existen muchas interrogantes por contestar, pues el funcionamiento del sistema inmune natural aún no es comprendido en su totalidad. En consecuencia, los modelos que de él existen en la actualidad suelen ser motivo de controversia, pues suelen basarse en alguna teoría sobre el funcionamiento del sistema inmune natural, la cual no ha sido validada del todo. Como veremos, existen todavía pocas aplicaciones del mundo real del sistema inmune artificial, pero el interés en esta área se ha ido incrementando notablemente, a tal grado que en este mes de septiembre de 2002 se ha llevado a cabo el primer congreso internacional especializado en este tema (ver http://www.aber.ac.uk/icaris-2002/ icaris-2002.htm).

En la siguiente sección se dará una explicación muy general del sistema inmune biológico, para después introducir los conceptos básicos del sistema inmune artificial. Luego se hará una revisión breve de los modelos existentes del sistema inmune artificial y se concluirá este artículo con una breve descripción de las aplicaciones más importantes de esta técnica.

Sistema Inmune Biológico

El sistema inmune biológico consta de un conjunto de células, moléculas y órganos cuyo objetivo prinicipal es mantener al organismo sano, defendiéndolo del ataque de agentes externos dañinos, los cuales son llamados antígenos.

El sistema inmune es de una complejidad tal, que se le ha llegado a comparar con el cerebro. El mecanismo de defensa del sistema inmune presenta varios niveles que se ilustran en la figura 1. A continuación se discute cada uno de ellos de manera breve: la primera barrera que presenta el sistema inmune es una barrera física que es la piel, la cual trabaja como un gran escudo para el organismo. El siguiente nivel está constituido por diferentes condiciones fisiológicas que son desfavorables para la sobreviviencia de los antígenos invasores, como son la saliva, sudor, temperatura, etcétera.

Figura1

Los siguientes niveles del mecanismo de defensa del sistema inmune son dos sistemas que se encuentran fuertemente interrelacionados, a los cuales se les llama: el sistema inmune innato y el sistema inmune adquirido o adaptativo.

Sistema inmune innato

La inmunidad innata es llamada así porque el organismo nace con la habilidad de reconocer y destruir ciertos organismos dañinos. Sin embargo, el papel principal que tiene el sistema inmune innato es la activación de la respuesta del sistema inmune adaptativo.

Las principales células representantes de este tipo de inmunidad son llamadas fagocitos. La función principal de los fagocitos, cuando han encontrado a algún antígeno, es ingerirlo y fraccionarlo en pequeñas partes, las cuales son presentadas ante las células del siguiente nivel de defensa (linfocitos T) para su destrucción.

Sistema inmune adaptativo

Este nivel de defensa del sistema inmune es el que presenta las características más interesantes, como son la especificidad y memoria. La especificidad consiste en que existe una respuesta diferente para cada tipo de antígeno que se presenta. Además, ante repetidas apariciones del mismo tipo de antígeno (o similares) la respuesta es cada vez más eficiente y rápida, debido a que el sistema es capaz de recordar infecciones pasadas y mejorar su respuesta.

Los principales representantes del sistema inmune adaptativo son un tipo especial de leucocitos denominados linfocitos, que se encuentran en la sangre circulando a través de todo el organismo y tienen la mayor responsabilidad en el proceso inmune.

Existen dos tipos de linfocitos, que son los linfocitos T (maduran en el timo y de allí su nombre) y los linfocitos B (maduran en la médula óea, y se llaman así, debido a que la B es la sigla inicial de bone marrow, o sea "médula ósea" en inglés).Los linfocitos T (también llamadas células T) tienen funciones importantes, tales como la regulación de la actividad de otras células inmunes, lo cual evita que exista alguna reacción alérgica o algún autoataque. Los linfocitos T segregan ciertas sustancias químicas capaces de eliminar algunos antígenos y además estimulan a los linfocitos B.

Los linfocitos son capaces de reconocer una gran cantidad de diferentes tipos de antígenos (se dice que ilimitada) a partir de una variedad limitada de linfocitos. La información necesaria para diversificar el repertorio de los linfocitos se encuentra codificada en segmentos de genes esparcidos a través de la línea germinal, que es transmitida de generación en generación. Para lograr la especificidad determinada de algún antígeno, estos segmentos de gene deben ser combinados. La gran importancia de los linfocitos B es debida a su capacidad para secretar anticuerpos, que son los principales responsables de la inmunidad adaptativa.

Cuando la presencia de un antígeno ha sido detectada, los linfocitos B con afinidad más alta al antígeno, son estimulados. Estos linfocitos proliferan por medio de un proceso de clonación. Algunos de estos clones se convierten en grandes productores de anticuerpos, mientras que otros se convierten en células de larga vida que quedarán circulando en el organismo como células de memoria (ver figura 2). Estos anticuerpos son capaces de neutralizar y eliminar a los invasores de una manera eficiente.

Figura 2

Cuando los antígenos han sido neutralizados, el equilibrio en la cantidad de células inmunes debe mantenerse, por lo que el exceso de clones que fueron creados deben ser eliminados. Este proceso de eliminación de células se llama apoptosis, lo cual significa "muerte de la célula". Debido a que el sistema inmune conserva una cantidad de estos clones como células de memoria, ante la reaparición de un mismo tipo de antígeno o uno similar, el sistema inmune presenta respuestas cada vez más eficientes y rápidas. A esta respuesta ante el mismo antígeno se le llama respuesta secundaria.

Es importante notar que el sistema inmune es capaz de presentar la respuesta secundaria, aún en el caso de que se trate de un antígeno "parecido" (no necesariamente el mismo) al que se encontró en la respuesta primaria. A este proceso se le llama generalización, de la misma forma en que se le denomina en otras áreas como en las redes neuronales (Rojas, 1996).

Los anticuerpos

Cuando un linfocito B ha sido estimulado por la presencia de algún antígeno, entonces secreta un plasma de proteínas a las que se les llama anticuerpos, que son los principales actores de la inmunidad adaptativa. Los anticuerpos deben lograr la especificidad de cualquier antígeno que se les presente a partir de sólo un pequeño grupo de genes diferentes (del orden de 106).Existe una teoría que pretende explicar cómo es que el sistema inmune es capaz de lograr tal diversidad. De acuerdo a esta teoría, la diversidad del sistema inmune se atribuye principalmente a dos procesos: El primero de ellos consiste en la combinación de segmentos de sus genes que se encuentran esparcidos en la línea germinal. El segundo consiste en que las células sufren mutaciones aleatorias.

Al primero de estos procesos se le conoce con el nombre de recombinación y al segundo, como hipermutación somática. La parte del antígeno que determina su especificidad y la cual es capaz de activar a la inmunidad específica, es llamada el epitope. De manera similar, la parte del anticuerpo, que es el receptor para el epitope, es llamado paratope y se ilustra en la figura 3.

Figura 3

Se cree que la recombinación permite obtener la diversidad necesaria para adoptar las formas del epitope, mientras que la hipermutación somática permite un ajuste fino en tales formas. Una vez que los anticuerpos han logrado la especificidad de los antígenos, están en condiciones de eliminar a los invasores dañinos.

Sistema Inmune Artificial

El Sistema Inmune Artificial es un nuevo paradigma en el que los investigadores han modelado el comportamiento global del sistema inmune o alguno de sus procesos, con la finalidad de entenderlo de manera más profunda o aplicarlo en la solución de algún problema del mundo real. Estos modelos son representaciones muy simplistas del sistema inmune biológico, debido a que en el sistema inmune real la comunicación se realiza mediante señales bioquímicas y en complejas formas tridimensionales, y los modelos computacionales existentes en la actualidad no recurren a mecanismos de complejidad equiparables.

El sistema inmune puede ser visto como un complejo sistema de procesamiento de información, cuyas principales características son las siguientes:

1. Es un sistema descentralizado: no existe un procesador central, sino que los componentes del sistema inmune se encuentran distribuidos a través del organismo, lo cual lo hace un sistema robusto.
2. Reconocimiento de patrones: es capaz de reconocer casi cualquier variedad de diferentes tipos de antígenos, aún en el caso de que éstos no se hayan presentado en el pasado.
3. Memoria asociativa: el reconocimiento de los invasores es posible aún en el caso de no contar con información completa.
4. Tolerante a fallas: cuando se presenta alguna falla en el sistema, el resultado generalmente no es catastrófico, pues el sistema se puede recuperar de manera eficiente.
5. Usa memoria y aprendizaje: el sistema es capaz de recordar algún patrón que se haya presentado antes. De tal forma, ante exposiciones repetidas del mismo antígeno (respuesta secundaria) el sistema mejora su respuesta con la experiencia.
6. Comportamiento emergente: presenta un interesante comportamiento global a partir de simples interacciones locales.
7. Identidad: tiene la capacidad para distinguir entre lo propio y lo que no lo es.8. Diversidad: usando recombinación e hipermutación somática, el sistema inmune es capaz de lograr cualquier especificidad.
Modelos

Existen algunos modelos computacionales los cuales pretenden emular algún proceso o característica del sistema inmune biológico que pueda ser interesante desde el punto de vista del procesamiento de información. Entre los más importantes podemos mencionar la teoría de la red inmune, el algoritmo de selección negativa y el algoritmo de selección clonal, entre otros. A continuación se muestra una breve descripción de ellos:

Teoría de la red inmune

Fue propuesta originalmente por Jerne (1974), aunque la teoría se ha ido complementando con algunos otros trabajos posteriores. Sugiere que el sistema inmune está compuesto por una red regulada de moléculas y células que se reconocen unas a otras aún en la ausencia de antígenos. La presencia de un grupo de antígenos, una vez que ha sido detectada, activará a un determinado grupo de anticuerpos específicos.

La teoría de la red inmune se basa en la idea de que ese grupo de anticuerpos que ha sido activado, hará las veces de antígenos activando a su vez a un segundo grupo de anticuerpos y así sucesivamente. De tal forma, cada grupo de anticuerpos activado puede ser reconocido por otro grupo de anticuerpos. De esta manera se crea una red donde los anticuerpos son capaces de detectarse unos a otros.
Esta teoría se ilustra de manera muy general en la figura 4 donde cada anticuerpo posee una parte capaz de reconocer a los invasores, la cual es llamada paratope, así como de una parte que es capaz de ser reconocida por otros anticuerpos (como si fuera otro invasor), que es llamada idiotope. De manera que, cuando un antígeno ha invadido el organismo, su epitope es reconocido por un primer grupo de paratopes p1, los cuales están asociados a un grupo i1 de idiotopes. Este grupo de idiotopes i1, activará a un segundo grupo de paratopes p2 asociados a un grupo de idiotopes i2. Y así de manera sucesiva se activa un grupo de paratopes p3, tal y como se muestra en la figura 4.

Figura 4

A esta red inmune, también se le conoce con el nombre de red idiotípica.

Modelo de selección negativa

El modelo de selección negativa para detección de cambios fue propuesto por Forrest et al. (1994) y está basado en el principio de discriminación entre las células propias y las que no lo son. El modelo explica la manera en que se crean los detectores (linfocitos) que son capaces de distinguir entre las células propias y las que no lo son, así como algún cambio en el comportamiento "normal" del sistema, sin tener ninguna o muy poca comunicación entre ellos y evitando algún intento de autoataque. De manera muy general el algoritmo funciona de la siguiente manera:

1. Se define el conjunto de elementos propios del sistema S. Este es el conjunto de elementos que deben ser protegidos y representa el comportamiento "normal" del sistema.
2. Cada detector es generado aleatoriamente. Aquellos detectores que son muy similares a alguno de sus elementos propios, de acuerdo a un umbral determinado, son eliminados. Sólo se permite sobrevivir a aquellos detectores que no rebasan el umbral de similitud, pues se dice que éstos no reaccionan ante las células propias, y en cambio sí lo harían ante cualquier otro organismo invasor.
3. Monitorear S buscando algún cambio. Si el sistema reacciona ante un elemento (de acuerdo al umbral), entonces algún comportamiento anormal o no permitido está ocurriendo. El modelo parece ser muy robusto, debido a que busca la ocurrencia de cualquier cambio y no la aparición de un determinado patrón.
Algoritmo de selección clonal

Esta teoría fue propuesta por Burnet (1978) y explica cómo se lleva a cabo la respuesta del sistema inmune ante la presencia de un antígeno, basándose en la idea de que sólo los linfocitos más afines proliferarán. Cuando un antígeno ha sido detectado por el sistema, aquellos linfocitos con una mayor afinidad a tal antígeno son estimulados y sufren un proceso de reproducción. La reproducción de éstos es por medio de clonación, es decir, se crean múltiples copias hijos de cada linfocito padre (reproducción asexual).
Estos clones segregan anticuerpos que son sometidos a un proceso de mutación, con la finalidad de alcanzar la afinidad específica para el antígeno invasor. Después de este proceso de mutación existirán algunos clones que puedan resultar dañinos para el organismo o cuya afinidad se haya perjudicado. Estos clones deben ser eliminados. La nueva población de clones afines al antígeno es capaz de neutralizarlos. Cuando la eliminación de los antígenos ha concluido, es necesario que el sistema regrese a su punto de equilibrio, de manera que el exceso de clones se elimine (autorregulación).

Otros modelos

Existen otros modelos computacionales del sistema inmune, algunos de los cuales se mencionan a continuación: Existe un modelo que usa algoritmos genéticos para emular el proceso por medio del cual la población de anticuerpos combina segmentos de gene, para evolucionarlos hacia un grupo de antígenos, según Hightower, et al. (1995).

Algunos otros modelos usan una arquitectura multiagente para emular el comportamiento global del sistema inmune, como los de Mori, et al. (1988), (Dasgupta, 1999), y los hay también que usan autómatas celulares (Celada y E. Seiden, 1992) (Santos y T. Bernardes, 1995) y redes neuronales como las de Abbattista, et al. (Hoffman, 1986) (Ada, 1987) (1996). Existen más modelos, pero la mayoría de las aplicaciones que se reportan actualmente en la literatura están basadas en alguno de los modelos que aquí se han mencionado.

Aplicaciones

A continuación se mencionarán algunas de las aplicaciones del sistema inmune para resolver problemas del mundo real. A pesar de las interesantes características que presenta el sistema inmune, desde el punto de vista del procesamiento de información, estas aplicaciones son relativamente pocas si las comparamos con las que podemos encontrar de algunas otras técnicas bioinspiradas, como las redes neuronales (Rojas, 1996) o los algoritmos evolutivos (Bäck y Michalewicz, 1997). Esto se debe, en buena parte, a que aún es un área reciente de investigación.

Seguridad computacional

La mayor cantidad de aplicaciones del sistema inmune, quizá por parecer la más intuitiva, se da en seguridad de sistemas de cómputo.
1. Usando el algoritmo de selección negativa hemos encontrado diversas aplicaciones, tales como:- Detección de virus - Monitoreo de procesos Unix - Detección de intrusos en sistemas de redes (Forrest, et al.,1994) (Forrest, et al., 1996) (Forrest y Hofmeyr, 2000)
2. Utilizando alternativas al algoritmo de selección negativa, hay también diversas aplicaciones, tales como: - Sistema inmune para la detección y eliminación de virus computacionales. - Sistema inmune de seguridad multiagente para la detección de intrusos o anomalías. (Lamont y Van Veldhuizen, 1999) (Okamoto e Ishida, 2000) (Dasgupta, 1999)Detección de anomalías1. Detección de anomalías en series de tiempo basada en el algoritmo de selección negativa (Dasgupta, 1999)

Reconocimiento de patrones

Forrest y Perelson (1993) propusieron un algoritmo general para reconocimiento de patrones, usando un algoritmo genético acoplado al sistema inmune, donde estudian su manera de mantener diversidad y su capacidad de generalización. Existe una propuesta de una arquitectura de un sistema inmune artificial que fue probada en problemas de reconocimiento de patrones. La propuesta fue hecha por Hunt y Cooke (1986), y está basada en el mecanismo de construcción de los anticuerpos y el principio de selección clonal y de maduración de los linfocitos. Dasgupta (1999) realizó una emulación del sistema inmune para reconocimiento de espectros en problemas de química.

Optimización

Existen algunas aplicaciones del sistema inmune basadas en la evolución de los anticuerpos hacia la población de antígenos, usando algoritmos genéticos para la optimización global en espacios de búsqueda con restricciones (Hajela y Lee, 1996) (Coello y Cruz, 2002). Fukuda et al. (Fukuda y Tsukimaya, 1999) propusieron un algoritmo para la optimización multimodal que modela la diversidad, y usa la teoría de red inmune y la selección clonal. De Castro (Nunes de Castro y Timmis, 2002) presentó también un algoritmo para optimización multimodal basado en el principio de selección clonal.

Robótica

Ishiguro et al. (1996) y Wantanabe et al. (1998) han desarrollado algoritmos basados en la teoría de red inmune para el problema de navegación autónoma de robots. Jun et al. (1999) y Lee et al. (1999) desarrollaron aplicaciones para un sistema de robots, autónomo distribuido, basándose en el principio de selección clonal combinado con la teoría de red inmune e interacciones de las células B y T.

Planeación de horarios

Hart (1998) propuso un sistema inmune artificial para planeación de horarios en un esquema de asignación de tareas en un ambiente dinámico. Su modelo está basado en el principio de selección clonal y en la evolución de bibliotecas de los genes.

Lecturas sugeridas

A continuación presentaremos algunas lecturas sugeridas para aquellos lectores que se interesen en saber más acerca del sistema inmune artificial:

Dipankar Dasgupta (editor), Artificial Immune Systems and their applications, Springer-Verlag, Berlin, 1999. NOTA: Este fue el primer libro sobre el tema (realmente es una colección de artículos escritos por varios investigadores) y ha sido adoptado como texto en algunas universidades que imparten cursos sobre el sistema inmune artificial.

Leandro Nunes de Castro and Jon Timmis, An Introduction to Artificial Im-mune Systems: A New Computational Intelligence Paradigm, Springer-Verlag, 2002. NOTA: Este es un nuevo libro monográfico de reciente publicación que está pensado más como un libro de texto. Contiene una revisión del estado del arte en la disciplina y pseudo código del sistema inmune artificial en el que los autores fueron pioneros (el algoritmo de selección clonal).

Leandro Nunes de Castro and Fernando José Von Zuben, Artificial Immune Systems: Part I-Basic theory and applications. Reporte Técnico TR-DCA 01/99 Diciembre, 1999. Disponible en: http://www.dca.fee.unicamp.br/Ëœlnunes/immune.html. NOTA: Una revisión del estado del arte en el sistema inmune artificial, que puede verse como un estudio preliminar al libro mencionado anteriormente. En este caso, el enfoque son los algoritmos y los modelos teóricos del sistema inmune artificial. Se incluyen una abundante bibliografía y un glosario de términos.

Leandro Nunes de Castro y Fernando José Von Zuben, Artificial Immune Sys-tems: Part II-A survey of applications. Reporte Técnico DCA-RT 02/00 Fe-bruary, 2000. Disponible en: http://www.dca.fee.unicamp.br/Ëœlnunes/immune.html. NOTA: Una revisión de las aplicaciones más relevantes del sistema inmune artificial reportadas en la literatura. Al igual que en el caso anterior, se incluye una extensa bibliografía sobre el tema.

Ligas de Internet Útiles

Finalmente, proporcionamos algunas ligas de Internet, que pueden resultar de utilidad a aquellos que deseen iniciarse en esta disciplina de estudio:

http://cs.unm.edu/Ëœforrest/: Esta es la página de Stephanie Forrest, quien es una de las pioneras en esta área. Además de tener una lista de publicaciones de gran importancia en el área, Forrest tiene disponible software, conjuntos de datos, tutores y material de curso sobre el sistema inmune artificial.

http://www.msci.memphis.edu/Ëœdasgupta/AIS: Esta es la página de Dipankar Dasgupta (otro de los investigadores líderes en el área) dedicada al sistema inmune artificial. Además de sus publicaciones, Dasgupta tiene información sobre eventos donde se publican artículos relacionados con el sistema inmune artificial y cuenta también con la bibliografía más completa sobre el tema (con más de 350 referencias).

http://www.aber.ac.uk/Ëœdcswww/ISYS/: Aquí hay información sobre el proyecto ISYS, mediante el cual se busca aplicar el sistema inmune artificial (particularmente la teoría de la red inmune) a problemas de análisis de datos y de aprendizaje de máquina, desarrollando algunos aspectos teóricos de este paradigma en el proceso.

Conclusiones

El sistema inmune artificial es un área de investigación emergente que presenta interesantes características desde el punto de vista del procesamiento de información, y está inspirada en los complejos procesos del sistema inmune biológico. El sistema inmune artificial crea herramientas computacionales para solucionar problemas de diferentes tipos (si bien la ingeniería tiende a ser el área de aplicación más socorrida), y parece ser una buena opción para resolver problemas complejos.

Las aplicaciones que encontramos en la literatura actual es variada y va creciendo de manera importante. Sin embargo, parece que aún no existe un marco formal acerca del área, que permita su uso más extendido. Asimismo, el hecho de que requieran ciertos conocimientos (al menos básicos) del modo de operar del sistema inmune natural, ha limitado al número de investigadores que trabajan en el área. Es precisamente este problema lo que ha motivado principalmente la escritura de este artículo, el cual pretende motivar tanto a estudiantes como a investigadores a trabajar en esta apasionante área que presenta actualmente un campo fértil para nuevos algoritmos y aplicaciones.

Agradecimientos

Carlos A. Coello Coello agradece el apoyo recibido de CONACyT a través del proyecto NSF-CONACyT 32999-A.

Abbattista, F., Di Gioia, G., Di Santo, G., and Farinelli, A. M. (1996) An associative memory based on the immune networks. Second Online Workshop on Evolutionary Computation, Nagoya, Japan.

Ada, G. L. and Nossal, G. (1987) The Clonal Selection Theory. Scientific American, 257 (2): 50-57.

Adleman, L. M. (1994) Molecular Computation of Solutions to Combinatorial Problems. Science, 266: 1021-1024, November.

Bäck, Thomas, Fogel, David and Michalewicz, Zbigniew (eds.) (1997) Handbook of Evolutionary Computation, volume 1, IOP Publishing Ltd. and Oxford University Press.

Burnet, F. M. (1978) Clonal selection and after. In: Bell, G. I., Perelson, A. S. and G. H. Pimgley, G.H. Jr. (eds) Theoretical Immunology, Marcel Dekker Inc, pp. 63-85.

Celada, Franco and E. Seiden, Philip (1992) A computer model of cellular interactions in the immune system. Immunology today, 13 (2): 56-62.

Coello Coello, Carlos A. and Cruz Cortés, Narelli (2002) A Parallel Implementation of an Artificial Immune System to Handle Constraints in Genetic Algorithms: Preliminary Results, in Congress on Evolutionary Computation (CEC'2002), IEEE Service Center, Piscataway, New Jersey, May, volume 1, pages 819-824.

Dasgupta, Dipankar (1999) Using immunological principles in anomaly detection. In: Proceedings of the Artificial Neural Networks in Engineering (ANNIE' 96), St. Louis, USA, November.

Dasgupta, Dipankar, editor (1999) Artificial Immune Systems and Their Applications. Berlin: Springer-Verlag.

Nunes de Castro, Leandro and Timmis, Jon (2002) An artificial immune network for multimodal function optimization, in Proceedings of the special sessions on artificial immune systems in the 2002 Congress on Evolutionary Computation, 2002 IEEE World Congress on Computational Intelligence, Honolulu, Hawaii, May.

Maniezzo, V. and Colorni Dorigo M. A. (1996) The ant system: Optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics-Part B, 26 (1): 29-41.

Lawrence J. Fogel (1999) Artificial Intelligence through Simulated Evolution. New York: John Wiley & Sons.
Forrest, S., Hofmeyr, A., Somayaji, A. and Longstaff, A. (1996) A sense of self for unix processes, in Proceedings of 1996 IEEE symposium on Computer Security and Privacy.

Forrest, S., Javornik, B., Smith, R. and Perelson, A.S. (1993) Using genetic algorithms to explore pattern recognition in the immune system. Evolutionary Computation, 1 (3): 191-211.

Forrest, S., Perelson, A.S. Allen, L. and Cherukuri, R. (1994) Self-nonself discrimination in a computer, in Proceedings of the IEEE Symposium on Research in Security and Privacy, Oakland, CA, pp. 202-212.

Forrest Stephanie and Hofmeyr Steven A. (2000) Immunology as information processing. In: Segel, L. A. and Cohen, I.R. (eds.) Design principles for immune system & other distributed autonomous systems, Oxford: Univ. Press.

Fukuda, T., Mori, K. and Tsukimaya, M. (1999) Parallel search for multimodal funtion optimzation with diversity and learning of immune algorithm. In Artificial Immune Systems and their Applications, chapter 11, Springer-Verlag, pp. 210-219.

Goldberg, David E. (1989) Genetic Algorithms in Search, Optimization and Machine Learning. Massachusetts: Addison Wesley Publishing, Reading.

Hajela P. and Lee J. (1996) Constrained Genetic Search via Schema Adaptation. An Immune Network Solution. Structural Optimization, (12): 11-15.

Hart, E., Ross, P. and Nelson, J. (1998) Producing robust schedules via an artificial immune system, in Proceedings of the 1998 IEEE International Conference on Evolutionary Computation, IEEE Press, Alaska.

Hightower, R., Forrest, S. and Perelson, A.S. (1995) The evolution of emergent organization in immune system gene libraries. In: L. J. Eshelman (edr) Proceedings of the 6th. International Conference on Genetic Algorithms, Morgan Kaufmann, pp. 344-350.

Hoffman, Geoffrey W. (1986) A neural network model based on the analogy with the immune system. Journal of Theoretical Biology, (122): 33-67.

Hunt, John E. and Cooke Denise E. (1986) Learning using and artificial immune systems. Journal of Network and Computer Applications: Special Issue on Intelligent Systems: Design and Applications, 19: 189-212.

Ishiguru, A., Watanabe, Y., Kondo, T., Shirai, Y. and Uchikawa, H. (1996) Immunoid: a robot with descentralized behavior arbitration mechanisms based on the immune system. ICMAS Workshop on Immunity-Based Systems, December 10.

Jerne, N. K. (1974) Towards a network theory of the immune system. Ann. Immunol, (125): 373-389.

Jun, A. H., D. W, Lee and K. B., Sim (1999) Realization of cooperative and swarm behavior in distributed autonomous robotic systems using artificial immune system. Proceedings IEEE SMC'99 4: 614-619.

Lamont, G. B., Marmelstein, R. E. and Van Veldhuizen, D. A. (1999) A distributed architechture for a self-adaptive computer virus immune system. New Ideas in Optimization, Mc Graw-Hill, pages 167-183.

Lee, D. W., Jun, H.B. and K. B. (1999) Sim Artificial immune system for realization of cooperative strategies and group behavior in collective autonomous mobiel robots, in Proceedings of theAROB'99 (International Symposium on Artificial Life and Robotics, pp. 232-235.

Mori, K., Tsukiyama M., and Fukuda, T. (1988) Adaptive scheduling system inspired by immune system, in Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics, San Diego.

Okamoto, T. and Ishida, Y. (2000) A distributed approach against computer virus inspired by the immune system. IEICE Transactions on Communications, 5(E83-B): 908- 915.

Rojas, Raúl (1996) Neural Networks. Berlin: Springer-Verlag.
Santos, Rira M. and T. Bernardes, Américo (1995) The stable-chaotic transition on cellular automata used to model the immune repertoire. Physica (219):1-12.

Paul Schwefel, Hans (1995) Evolution and Optimum Seeking. New York: John Wiley & Sons.

Wantanabe, Y., Ishiguro, A., Shirai, Y. and Uchikawa, Y. (1998) Emergent construction of a behavior arbitration mechanism based on the immune system. Advanced Robotics, 12 (3): 227-242.

Dirección General de Servicios de Cómputo Académico-UNAM
Ciudad Universitaria, México D.F.