CC BY
94
14. Арсеньев С.В, Бородина Н.В., Тарасов В.Б., Черепанов Н.В. О комбинированном подходе к формированию знаний на начальных этапах проектирования с использованием методологии агентов // Труды 9-й национальной конференции по искусственному интеллекту КИИ-2004 (Тверь, 28 сентября-2 октября 2004 г.). Т.3. - М.: Физматлит, 2004. - С. 946-958.
15. Poon J., MaherM.L. Emergent Behaviour in Co-Evolutionary Design // Artificial Intelligence in Design '96/ J.S. Gero and F. Sudweeks (eds). Dordrecht: Kluwer Academic Publishers, 1996. - pp. 703-722.
16. Bentley P. (ed.). Evolutionary Design by Computers. - San Francisco: Morgan Kaufmann, 1999.
17. Langton C.G. Artificial Life: an Overview. - Cambridge MA: MIT Press, 1995.
18. Редько ВТ. Эволюционная кибернетика. - М.: Наука, 2001.
19. Голубин А.В. Инструментальная среда исследования генетических алгоритмов «Gen-Search» // Программные продукты и системы. Приложение к Международному журналу «Проблемы теории и практики управления». - 2005, №3. - С. 37-42.
Л.А. Г ладков
РЕШЕНИЕ ЗАДАЧ ПОИСКА И ОПТИМИЗАЦИИ РЕШЕНИЙ НА ОСНОВЕ НЕЧЕТКИХ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ И МНОГОАГЕНТНЫХ
ПОДХОДОВ*
. ,
и использования интегрированных интеллектуальных систем является «вычислительный интеллект» (Computational Intelligence). Свидетельством международного признания этого научного направления явилось проведение в 1994 году первого
IEEE (Institute
of Electrical and Electronics Engineers). В рамках этого конгресса были проведены три научных конференции, ставшие в последствии традиционными: по нейронным
, .
Каждое звено этой триады является самостоятельным направлением исследований объединенных общей целью создания эффективных интеллектуальных систем.
В ходе становления и развития каждого из этих направлений становилось очевидным наличие глубоких взаимосвязей, взаимозависимости между ними. Изучение этих взаимозависимостей, их влияния на конечный результат и в итоге их практическое применение является одной из главных задач вычислительного интеллекта.
При этом соединение в единое целое разнородных составляющих дает синер-( ) , -сы, присущие каждому методу в отдельности [1,2].
Примерами подобной интеграции могут служить нейро-логические, нейро-нечеткие модели, нечеткие логические регуляторы, контроллеры и т.д. [1,3,4].
Логическим следствием процесса интеграции различных компонент триады вычислительного интеллекта явилось появление и развитие новой области научных исследований - «нечеткие генетические (адаптивные, эволюционные) алгоритмы».
*
Работа выполнена при поддержке РФФИ, грант № 04 - 01 - 00174 и программы развития научного потенциала высшей школы 2006-2008 гг. (РНП.2.1.2. 3193)
Нечеткие генетические алгоритмы. Одним важных моментов построения нечетких генетических алгоритмов является нечеткое кодирование. Известно, что при применении генетических алгоритмов все переменные задачи оптимизации должны быть определенным образом закодированы. Сущность кодирования заключается в преобразовании любого числового значения в некоторую последовательность символов конечного алфавита, состоящего обычно из небольшого числа элементов. Наиболее известный пример такого кодирования - это двоичное кодирование и представление решений в виде последовательности нулей и единиц.
В общем случае можно провести аналогию между процессами кодирования и фаззификации, т.е. преобразования исходных числовых величин в распределения, соответствующие термам лингвистической переменной. При этом каждое числовое значение описывается одним или несколькими термами, а степень соответствия определяется степенью его принадлежности нечеткому множеству [1].
Термины конечного алфавита нечетких множеств могут включать такие понятия как «больше», «меньше», «немного больше (меньше)», «значительно больше (меньше)», «примерно ноль», «мапая отрицательная (положительная)» и др. Использование таких алфавитов при кодировании решений в генетических алгоритмах дает возможность построить неоднородное разделение пространства поиска. ,
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 пер. , (
, ), -ляют последовательности относительно низкой степени детализации.
, , -ния. Во-первых, кодовые последовательности могут быть неоднородными и ориентироваться на отдельные многообещающие области поиска, что позволит сократить область поиска и соответственно вычислительные затраты. Кроме того, в закодированную последовательность может быть неявным образом включена функция пригодности.
- , -
бое кодирование оптимизируемых структур. Слабое кодирование, в отличие от обычного (сильного) кодирования, не подразумевает жесткое соответствие типа «один - к - одному» между генотипом и фенотипом в кодируемой структуре.
Основная идея слабого кодирования состоит в использовании отношений ти-« - - » - . -годаря этому мы получаем единственный генотип, которому соответствует нечеткое семейство фенотипов. Это позволяет нам использовать все преимущества лингвистических переменных при сохранении двоичного кодирования.
Широкое распространение получили также методики кодирования решений в виде вещественных чисел [5-7].
Следующим шагом в развитие нечетких генетических алгоритмов является модификация существующих и разработка новых нечетких генетических операто-.
кроссинговера и мутации на основе логических операций [8].
Согласно определению, данному в работе [9] нечеткий генетический алгоритм - это генетический алгоритм в котором реализованы компоненты использующие инструментарий нечеткой логики. Такими компонентами можно считать нечеткие операторы и нечеткие правила для создания генетических операторов с различными свойствами; системы нечеткого логического контроля параметров ГА в соответствии принятыми критериями; нечеткие критерии остановки процесса . ,
кроссинговера и мутации могут использоваться правила работы нечеткого логического контроллера [3].
Описание нечеткого генетического алгоритма для решения задачи составления графика работы ремонтных мастерских приведено в работе [10]:
1. Задание методики кодирования решений. Каждая хромосома состоит из
,
, -
;
2. . -
ными параметрами являются время выполнения или время завершения работы. В качестве критерия использовалось следующее выражение:
F (Cj) = nCj (dj) = sup min{^C; (t),^~. СОК
где Я"~ (dj) - вероятностный критерий оценки возможности совершения нечеткого события Cj на нечетком множестве dj;
(t) И (t) - функции принадлежности нечетких множеств Cj И dj соответственно.
3. . -
рудования осуществляется путем случайного выбора машины i, i = 1, ..., m. Инициализация подхромосомы правил осуществляется на основе случайного выбора одного из следующих четырех правил: первый оплаченный заказ, самый короткий по времени процесс, самый длинный по времени процесс, самое длинное время
;
4. .
,
величине их функции пригодности, и лучшие по значению целевой функции хромосомы популяции переходят в следующее поколение;
5. . -
няется с некоторой вероятностью, такой чтобы в ходе рекомбинации родительских хромосом и создания потомков не получались не корректные решения;
6. . -чайный выбор и применяется независимо к обоим подхромосомам;
В состав описываемого нечеткого генетического алгоритма часто включают блок нечеткого логического контроллера. Например, описываемый в [11] нечеткий логический контроллер представляет собой двумерную систему, задаваемую параметрами eb e2. Значения параметров определяются по формулам:
e (t) _ ./max (t) fave (t) .
e1(t) _ f (t) ;
max
e (t) _ fave (t) fave (t 1)
/max (t) ‘
где fmax(t) - лучшее значение целевой функции на итерации t; fave(t) - среднее значение целевой функции на итерации t; fave(t - 1) - среднее значение целевой функции на итерации t - 1;
,
осуществлять корректировку значений основных параметров генетического алгоритма в зависимости от качества решений, получаемых в процессе поиска.
Архитектура подсистемы оптимизации. Одним из наиболее перспектвных подходов к организации процесса поиска оптимальных решений является организация на основе мультиагентных архитектур.
« » , -ду обитания с помощью датчиков (сенсоров) и воздействовать на нее с помощью исполнительных механизмов [12]. Например, программное обеспечение, выступающее в роли агента, в качестве входных данных получает коды нажатия клавиш, содержимое файлов и сетевые пакеты, а его отклик выражается в выводе данных , . , -дый агент может воспринимать свои действия.
Если имеется возможность определить, какое действие будет выполнено агентом в ответ на некоторую последовательность входных данных, то можно ут-, -.
входных данных на некоторое совершаемое агентом действие.
Внутреннее описание агента должно включать таблицу соответствия, определяющую какая функция данного агента реализуется с помощью программы агента. При этом различают понятия функции и программы агента. Функция агента представляет собой абстрактное математическое описание, а программа агента - это конкретная реализация, действующая в рамках архитектуры агента [12].
Понятие агента применительно к различным прикладным системам может трактоваться по разному. С рассмотренных выше позиций, агент может рассматриваться как искусственный организм в популяции себе подобных, стремящийся обучаться и адаптироваться к внешней среде, для того чтобы выжить в ней.
Тогда многоагентная система может рассматриваться как популяция простых и независимых агентов, каждый агент которой самостоятельно реализуется в локальной среде и взаимодействует с другими агентами. Связи между различными агентами являются горизонтальными, а глобальное поведение агентов определяется на основе расплывчатых правил.
Тогда одной из основных задач построения эффективных интеллектуальных систем поиска и оптимизации является создание программы агента, которая реализует функцию агента, отображая входные воздействия в ответные реакции.
При этом можно предложить использовать формальный механизм нечетких множеств для создания и вывода нечетких правил. С этой точки зрения такой механизм может восприниматься как функция агента, а программа, реализующая эту функцию применительно к решению каждой конкретной оптимизационной задачи,
будет представлять собой нечеткий генетический алгоритм, настраиваемый в соответствии с текущими результатами.
В целом структура каждого агента может быть условно обозначена следующей формулой:
Агент = Архитектура + Программа.
Применение принципов построения многоагентных систем к задаче синтеза архитектуры прикладной подсистемы оптимизации позволяет организовать распараллеливание основных технологических процессов при поиске и выборе решений.
, -щую архитектуру подсистемы оптимизации (рис.1).
Внешняя среда
Программный агент
Блок задания входных параметров
Инициализация процесса поиска
Блок проверки полученных результатов
Рис.1. Архитектура подсистемы оптимизации
БИБЛИОГРАФИЧЕСКИМ СПИСОК
1. . . : ,
психология, информатика. - М.: Эдиториал УРСС, 2002.
2. .. . . - .: , 2004.
3. Herrera F., Lozano M. Adaptation of genetic algorithm parameters based on fuzzy logic controllers. In: F. Herrera, J. L. Verdegay (eds.) Genetic Algorithms and Soft Computing, Physica-Verlag, Heidelberg, 1996. - pp. 95-124.
4. Herrera F., Herrera-Viedma E., Lozano M., Verdegay J.L. Fuzzy tools to improve genetic algorithms. // In Proc. Of the European Congress on Intelligent Techniques and Soft Computing, 1994. - p. 1532-1539.
5. Herrera F., Lozano M., Verdegay J.L. The use of fuzzy connectives to design real-coded genetic algorithms. Mathware and Soft Computing, 1, 1995. - p. 239-251.
6. . ., . . . // -но-технические конференции AIS’05 и CAD-2005. Труды конференций. - М.: Физмат-лит, 2005. - С. 39-45.
7. Kalyanmoy D., Dhiraj J., Ashish A. Real-Coded Evolutionary Algorithms with Parent-Centric Recombination. Indian Institute of Technology, Kanpur. KanGAL Report No 2001003.
8. . .
эволюции. IX национальная конференция по искусственному интеллекту с международным участием КИИ’2004. Труды конференции. - М.: Физматлит, 2004. - С. 346-355.
9. Galantucci L.M., Percoco G., Spina R. Assembly and Disassembly Planning by using Fuzzy Logic & Genetic Algorithms. // International Journal of Advanced Robotic Systems, Vol. 1, №
2, 2004. - p. 67-74.
10. Fayad C., Petrovic S. A Genetic Algorithm for the Real-World Fuzzy Job Shop Scheduling. School of Computer Science and Information Technology University of Nottingham, http://www.cs.nott.ac.uk/~cxf,~sxp
11. Hongbo Liu, Zhanguo Xu, Ajith Abraham. Hybrid Fuzzy-Genetic Algorithm Approach for Crew Grouping.
12. Расс ел С., Норвиг П. Искусственн ый интеллект: современный подход. - М.: Издатель-
« », 2006.
