CC BY
44
Известия ТРТУ
Специальный выпуск
нал поощрения (если состояние объекта в среде удовлетворительное, т.е. вариант реализации не проходит через перенасыщенные грани), либо наказания. На третьем такте по управляющим сигналам (поощрения или наказания) АА переходит в .
, .
исследовались различные стратегии реализации третьего шага: переход из состояния в состояние происходит в соответствии с порядковым номером циклически; переход осуществляется в лучшее состояние с точки зрения настоящего момента; каждому АА присваивается свой уровень рефлексии. АА с более высоким уровнем рефлексии обладает информацией о предстоящем поведении АА с более низким .
уровней рефлексии АА. Для повышения эффективности в работу процедур трассировки включаются элементы генетической адаптации. В этом случае множество вариантов реализации ребра рассматривается как популяция решений.
УДК 519.712.2
Л.А. Г ладков
ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ МЕХАНИЗМОВ НЕЧЕТКИХ МНОЖЕСТВ В ЭВОЛЮЦИОННЫХ МЕТОДАХ*
Наиболее перспективной парадигмой развития искусственного интеллекта на сегодняшний день можно считать интеграцию различных направлений и создание гибридных интеллектуальных систем. Соединение в рамках таких систем различных методов и моделей, их взаимодополняемость приводит к увеличению эффективности и уменьшению недостатков отдельных методов. Одним из наиболее ярких примеров такого рода интеграции являются мягкие интеллектуальные системы. Основными составляющими формулы «мягких вычислений» по определению Л. Заде являются нечеткие множества, нейронные сети и генетические алгоритмы. Каждое звено этой триады является самостоятельным направлением исследований объединенных общей целью создания эффективных интеллектуальных систем.
, -дачи оптимизации должны быть определенным образом закодированы. Можно провести аналогию между процессами кодирования и фаззификации, то есть преобразования исходных числовых величин в распределения, соответствующие термам лингвистической переменной. При этом каждое числовое значение описывается одним или несколькими термами, а степень его соответствия определяется степенью принадлежности нечеткому множеству. Использование таких алфавитов при кодировании решений в генетических алгоритмах дает возможность построить неоднородное разделение пространства поиска. Кроме того, закодированные последовательности могут иметь различную степень детализации. Степень детализации и характер распределения решений в пространстве поиска может определяться на основе начальных знаний о решаемой задаче. Такое кодирование позволяет сосредоточить основные усилия на поиске в наиболее перспективных областях. Та, , , -дирования. Во-первых, кодовые последовательности могут быть неоднородными и
*
Работа выполнена при финансовом содействии РФФИ, грант № 04 - 01 - 00174 102
Секция интеллектуальных систем
ориентироваться на отдельные многообещающие области поиска, что позволит сократить область поиска и соответственно вычислительные затраты. Во-вторых, нечеткое кодирование позволяет выполнять так называемое слабое кодирование
. , ( )
кодирования, не подразумевает жесткое соответствие типа «один - к - одному»
между генотипом и фенотипом в кодируемой структуре.
, -
рата нечетких множеств и эволюционных методов, используются для поиска опти-
мальных решений в сложных задачах проектирования, оптимизации и принятия .
УДК 007.52
..
ПОСТРОЕНИЕ ПРОГНОЗНЫХ МОДЕЛЕЙ ДИНАМИЧЕСКИХ СИСТЕМ НА ОСНОВЕ ИНТЕГРАЦИИ НЕЙРОННЫХ СЕТЕЙ И ГЕНЕТИЧЕСКИХ
АЛГОРИТМОВ*
Технические свойства и возможности любых сложных объектов определяются свойствами используемых для их создания материалов, а также комплексным характером внешних воздействий и факторов нагрузки. Существует ряд физико-, -нических и других свойств материалов. В целях прогнозирования свойств таких
( ). -ки входной информации, ее хранения, воспроизведения и логического вывода на ее основе. Свойства НС определяются ее архитектурой, а также совокупностью синаптических связей и характеристик нейронов. Прогнозная нейросетевая модель должна быть способна не только непрерывно обрабатывать большое количество , , информацию о текущих и планируемых режимах функционирования объекта. Нейросетевая система прогнозирования, в свою очередь, должна учитывать информацию о логике работы системы, надежности ее элементов, а также экспертную информацию. Основной недостаток многослойных нейронных сетей, серьезно ограничивающий практическое их применение - медленная сходимость. Для ускорения сходимости необходимо помимо разработки эффективных алгоритмов обратного ,
предварительного обучения применять гибридные сети, в которых НС связываются со структурами прогнозирования, полученными на основе других технологий, . . , -щие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей.
Одним из перспективных направлений развития подобных систем является включение генетических алгоритмов (ГА) в процесс обучения нейронных сетей. ГА используется в качестве процедуры для тренировки сети, т.к. применение алгоритма обратного распространения существенно усложняет процедуру тренировки.
, -ходной координаты объекта на текущем и предыдущем шагах. Комбинация двух
Работа выполнена при частичной финансовой поддержке программы развития научного потенциала высшей школы 2006-2008 годы (проекты РНП.2.1.2.2238, РНП 2.1.2.3193)
