
- •Искусственный интеллект. Основные направления и этапы развития.
- •Структура мозга. Уровни моделирования. Основные элементы моделей.
- •Виды функций активации
- •Классификация нейронных сетей
- •Применение нейронных сетей
- •Методика решения формализуемых задач в нейросетевом базисе
- •Настройка нейронной сети на решение прикладных задач
- •Обучение нс Основные понятия
- •Основные алгоритмы обучения нс без обратных связей
- •Персептронные алгоритмы обучения Алгоритм обучения по правилу Хебба
- •Алгоритм обучения Розенблатта
- •Процедура Уидроу-Хоффа
- •Обучение многослойной нейронной сети без обратных связей Математическая постановка задачи обучения
- •Алгоритм обратного распространения ошибки
- •Генетические алгоритмы оптимизации
- •Суть генетического алгоритма
- •Методы формирования популяции
- •Иллюстрация работы генетического алгоритма
- •Особенности реализации генетических алгоритмов
- •Модификация основных параметров га
- •Мобильные га
- •Динамическое изменение параметров в процессе выполнения га
- •Разновидности га
- •Применение генетического алгоритма к обучению многослойного персептрона
- •Рекуррентные и рециркуляционные сети
- •Сеть Хопфилда
- •Применение сети Хопфилда к решению задач комбинаторной оптимизации
- •Сеть Хемминга
- •Самоорганизующиеся нейронные сети Самоорганизация в нс
- •Конкурентное обучение
- •Сеть Кохонена
- •Алгоритмы кластеризации
- •Пороговый алгоритм
- •Алгоритм максимального расстояния
- •Алгоритм внутригруппового среднего (метод k-средних, k-means clustering, c-means clustering)
- •Алгоритм нечётких k-средних (fuzzy c-means clustering)
- •Алгоритм состязания процедур соединения и разделения.
- •Сети адаптивного резонанса
- •Основы адаптивного резонанса
- •Архитектура art
- •Комбинированные нс
- •Иерархический классификатор
- •Нейронные сети с функциональными связями
- •Решающие деревья
- •Методы проектирования нейросетевых архитектур для решения прикладных задач
- •Выбор топологии нс для решения задач нейроуправления
- •Практическое применение нс Управление движением робота по заданной траектории
- •Обучение и формирование обучающей выборки для управления мобильным роботом
- •Тестирование робота
- •Автономное управление мобильным роботом
Модификация основных параметров га
Модификации оператора селекции:
На основе рулетки.
Каждой хромосоме соответствует своя зона (сектор) рулетки.
На основе заданной шкалы.
Сначала вся популяция упорядочивается, затем каждой хромосоме ставится в соответствие определённое число, например, значение функции нормализованного фитнесса:
, где r – число
членов популяции
Элитная селекция.
Вся популяция упорядочивается по значениям функции фитнесса и затем выбирается k лучших хромосом, которые скрещиваются. Этот способ может привести к преждевременной сходимости, поэтому наряду с элитной селекцией применяется механизм «встряхивания» (то есть убирается l лучших хромосом, а на их место ставятся l худших или случайных).
Турнирная селекция.
Выбирается k лучших хромосом, среди них осуществляется скрещивание.
Схема рекомбинации.
Заключается в использование хромосом, значительно отличающихся друг от друга.
Модификации оператора кроссинговера:
Многоточечный кроссинговер.
H1 |
0 0 1 1 0 1 0 1 |
H2 |
1 0 1 0 1 0 1 0 |
H1’ |
0 0 1 0 0 1 1 0 |
H2’ |
1 0 1 1 1 0 0 1 |
H1 |
0 0 1 1 0 1 0 1 |
H2 |
1 0 1 0 1 0 1 0 |
H1’ |
0 0 1 0 1 0 1 0 |
H2’ |
1 0 1 1 0 1 0 1 |
Замечание. Не рекомендуется применять большое число точек разрезания, так как это может привести к потере нужных свойств.
Порядковый кроссинговер.
Частично соответствующий кроссинговер:
точка кроссинговера выбирается случайно.
производится анализ соответствия сегментов первого и второго родителя.
4. Циклический кроссинговер.
При решении задач комбинаторной оптимизации стоит проблема нахождения допустимого решения.
H1 1 2 3 4 5 6 7 8 9 10
H2 5 3 9 1 4 8 10 2 6 7
Формируют пути, которые позволяют установить соответствие между генами двух рассматриваемых хромосом.
(1,5), (5,4), (4,1)
(2,3), (3,9), (9,6), (6,8), (8,2)
(7,10), (10,7)
H/ 5 3 9 1 4 8 10 2 6 7
5. Универсальный кроссинговер.
Точка кроссинговера не указывается, а задается маска, которая участвует в получении хромосом.
H1 0 1 1 0 0 1
H2 0 1 0 1 1 1
маска 0 1 1 0 1 0 → случайным образом с вероятностью 0.5
H1/ 0 0 0 0 1 1
H2/ 0 0 1 1 0 1
6. «Жадный» кроссинговер.
За один эксперимент находится лучшее решение:
для всех хромосом вычисляется значение функции фитнесса;
на одной из хромосом выбирается точка кроссинговера и для i-го гена (слева от ) вычисляется значение частичной функция Fit, то есть стоимость пути от i-го гена до рядом стоящего, затем – аналогично для всех хромосом;
от потомка берется тот ген, для которого функция Fit наилучшая.
|
a |
b |
c |
d |
e |
a |
– |
15 |
6 |
7 |
8 |
b |
15 |
– |
4 |
3 |
2 |
c |
6 |
4 |
– |
1 |
10 |
d |
7 |
3 |
1 |
– |
9 |
e |
8 |
2 |
10 |
9 |
– |
P={H1,H2,H3}
H1 = abcde
H2 = bdeca
H3 = ebadc
b→c H1 Fit = 4
b→a H1 Fit = 15
b→d H1 Fit = 3
H1/=bdcae (Fit = 18)
H2/=28
H3/=25