Immunologia to nie tylko przedmiot zainteresowań lekarzy czy biologów. Chęć zrozumienia makroskopowych własności układu odpornościowego stymuluje badania w zakresie immunologii matematycznej. Chociaż immunologia liczy sobie ponad 100 lat, nasze rozumienie interakcji zachodzących między elementami tworzącymi układ odpornościowy jest dalekie od zadowalającego.
Naturalny układ odpornościowy jest skomplikowanym systemem, który rozróżnia własne komórki (ja – self) od obcych patogenów (nie-ja – non-self), i przed którymi broni. Z punktu widzenia przetwarzania informacji, układ odpornościowy jest wysoce równoległym i rozproszonym inteligentnym systemem, zdolnym do uczenia się (rozpoznawania istotnych wzorców, np. peptydów antygenowych), pamiętania (zapamiętywania wzorców napotkanych wcześniej) i wyszukiwania asocjacyjnego (konstruowania detektorów wzorców w celu odróżniania siebie od nie-siebie), dodatkowo kontrolującego rozmiar i różnorodność populacji komórek. Ponadto, problemy związane z rozróżnianiem i klasyfikacją wzorców nie są rozwiązywane przez pojedynczą jednostkę rozpoznawczą, lecz raczej sieć lokalnych interakcji antygen–przeciwciało (wzajemne rozpoznania, ang. mutual recognitions) na poziomie systemu. Ze względu na jego wagę i złożoność, układowi odpornościowemu poświęcono wiele badań, które zaowocowały kilkoma teoriami wyjaśniającymi różne aspekty immunologicznego fenomenu. Pośród nich przykuwa uwagę model sieci immunologicznej, którego celem jest wyjaśnienie zachowania limfocytów B.
W prezentacji chciałbym przedstawić implementację algorytmu immunologicznego (oraz innych z klasy ewolucyjnej) mojego autorstwa do rozwiązywania problemów matematycznych: klasyfikacji, aproksymacji i problemu komiwojażera.