
- •Интеллектуальные системы. Основные классы систем и задач. Понятие иис
- •Критерии интеллектуальности ис
- •История развития иис
- •Классификация задач, решаемых иис
- •Классы иис
- •Символьная обработка и вычислительный интеллект в задачах искусственного интеллекта. Символьная обработка в задачах искусственного интеллекта
- •Вычислительный интеллект в задачах искусственного интеллекта
- •Экспертные системы. Архитектура систем. Экспертные системы
- •Архитектура экспертной системы
- •Архитектура нечеткой экспертной системы.
- •Архитектура нейронной экспертной системы.
- •Архитектура мягкой экспертной системы.
- •Экспертная деятельность
- •Вычисление нечеткой импликации:
- •Архитектура нечёткой экспертной системы
- •Искусственная нейронная сеть. Математическая модель нейрона.
- •Функция активации. Виды нейронных сетей. Функция активации.
- •Виды нейронных сетей.
- •Нс без обратных связей
- •Полносвязные сети
- •Обучение нс. Решение задачи классификации. Обучение нс
- •Решение задачи классификации
- •Обучение нс. Решение задачи кластеризации.
- •Обучение нс. Решение задачи аппроксимации.
- •Нейронная сеть как универсальный аппроксиматор.
- •Эффективность аппроксимации с помощью нейронных сетей и систем нечеткого вывода.
- •Линейно-сепарабельные задачи.
- •Нейронная сеть как универсальный аппроксиматор.
- •Сети Кохонена. Алгоритм обучения «победитель забирает все» Сети Кохонена
- •Алгоритм обучения «победитель забирает все»
- •Дельта-правило в машинном обучении
- •Алгоритм обратного распространения ошибки.
- •Архитектура нейронной экспертной системы
- •Эволюционные вычисления. Классы эволюционных вычислений.
- •История эволюционных вычислений
- •Классы эволюционных вычислений.
- •Обобщение идей эволюционных вычислений
- •Понятие генетического алгоритма.
- •3 Основные положения в теории эволюции (Теория «Происхождения Видов» 1859г. Дарвина):
- •Кодировка хромосом. Оператор отбора.
- •Операторы рекомбинации и мутации. Оператор скрещивания (оператор кроссовера)
- •Оператор мутации
- •Сходимость га.
- •Теорема схем.
- •Гибридные интеллектуальные системы.
- •Методы гибридизации.
- •Способ 1
- •Способ 2 (метод -срезов)
- •Понятия t-нормы и s–конормы.
- •Общие свойства t – норм и s — конорм
- •Пары норм и конорм
- •Определения и-или-нейронов и нечеткой нейронной сети.
- •Нечеткая нейронная сеть архитектуры anfis
- •Пример функционирования нечеткого нейронного контроллера
- •Определить входные переменные.
- •Пример. Нечёткий регулятор для стиральной машины (архитектура anfis)
- •Алгоритмы обучения для неч-ой нейр-ой сети контроллера
- •Нечёткий контроллер на основе нейронной сети (nnflc).
- •Архитектура anfis (адаптивная нейронная сеть, основанная на системе нечёткого вывода).
- •Нейронная сеть для нечётких (nndfr)
- •Нечёткие нейронные сети с генетической настройкой.
- •Эффективность аппроксимации с помощью нейронных сетей и систем нечеткого вывода.
- •Моделирование линейного нейрона
- •Моделирование многослойного перцептрона
- •Моделирование сети Кохонена
- •Пример генетической оптимизации при решении задач
Кодировка хромосом. Оператор отбора.
Обычно хромосома представляется битовой строкой – 1 бит на 1 признак. Каждая хромосома состоит из генов (Пр. 1001101011 – хромосома).
Ген – каждая цифра.
Локус – отдельные позиции хромосомы, в которых располагаются гены.
Аллель – значение гена.
Функция приспособленности – ей может быть целевая функция оптимизации.
Генотип – структура хромосомы (относится к полной генетической модели)
Фенотип – вектор в пространстве параметров (относится к внешним наблюдаемым признакам)
Обычно, методика кодирования реальной переменной x состоит в ее преобразовании в двоичные целочисленные строки заданной длины.
Оператор селекции.
Селекция – отбор хромосом пропорционален величине их fitness функции.
Простейший способ пропорционального отбора – рулетка, который выбирает особей с помощью n запусков. Колесо рулетки содержит сектора для каждого члена популяции. Размер i-ого сектора пропорционален соответствующей величине Ps(i). При таком отборе члены популяции с более высокой приспособленностью выбираются чаще, чем особи с низкой. В настоящее время используют разные операторы отбора. Например, турнирный отбор реализует n турниров, чтобы выбрать n особей. Каждый турнир построен на выборке k элементов из популяции, и выбора лучшей особи среди них. Наиболее распространен турнирный отбор с k = 2. Элитные методы отбора гарантируют, что при отборе обязательно будут выживать лучшие члены популяции.
Рассмотрим пример кодирования хромосомы.
Пусть, известно, что для переменой x достаточно 8 разрядов. Установить соответствие между генотипом и фенотипом закодированных особей можно с помощью деления соответствующего двоичного целого числа на 28-1. Например, 00000000 соответствует 0/255 или 0, тогда как 11111111 соответствует 255/255 или 1. Структура хромосомы для примера – 8-битовая строка. Генотип – это точка в 8-мерном хеммининговом пространстве, а фенотип – точка на прямой.
Сначала, пропорциональный отбор назначает каждой i-ой хромосоме вероятность Ps(i), равную отношению ее приспособленности к суммарной приспособленности популяции:
Площадь i-того символа пропорционален равной величине (отношение приспособленности i-той особи к суммарной приспособленности популяции). При таком отборе особи с более высокой функцией приспособленности выбираются чаще, чем с низкой.
Операторы рекомбинации и мутации. Оператор скрещивания (оператор кроссовера)
Оператор скрещивания (кроссовера) позволяет по заданной маске делать из двух строк одну. Существует одноточечный, двухточечный и многоточечный кроссовер.
Пример одноточечного кроссовера. |
||
Исходная строка |
Маска |
Результат |
0010101100 |
1111100000 |
1001101100 |
Одноточечный кроссовер работает следующим образом. Сначала, случайным образом выбирается одна из l - 1 точек разрыва. Точка разрыва – граница между соседними битами в строке. Родительские структуры разрываются в этой точке на два сегмента. Затем, соответствующие сегменты различных родителей склеиваются и получаются два генотипа потомков.
В двухточечном кроссовере выбираются две точки разрыва, и родительские хромосомы обмениваются сегментом, который находится между двумя этими точками.
В равномерном кроссовере, каждый бит первого родителя наследуется первым потомком с заданной вероятностью; в противном случае этот бит передается второму потомку.
После стадии кроссовера выполняются операторы мутации, которые с вероятностью Pm изменяют случайный бит в каждой строке на противоположный.