- •Моделі компонентів комп’ютерних систем при автоматизованому проектуванні.
- •Статичні та динамічні експертні системи.
- •Структура скс для керування технічним об’єктом Формування бази даних та знань в системах проектування скс.
- •Основні операції над множинами нечіткої логіки
- •Побудова баз знань на основі семантичних дерев Лінгвістичні змінні та функції належності нечіткої логіки
- •Фреймові структури баз знань в експертних системах Различные представления знаний в существующих системах.
- •Процедури фазифікації та дефазифікації в системах керування на основі нечіткої логіки.
- •Формування початкової популяції в генетичному алгоритмі
- •Структура та прототип штучного нейрона
- •Різновиди технічних об’єктів, для яких проектується скс Види активаційних функцій в штучних нейронах
- •Математичні моделі об’єктів в системах управління з використанням скс.
- •1.Одношарові штучні нейронні мережі.
- •2.Лінгвістичні змінні та функції належності нечіткої логіки.
- •3.Багатошарові штучні нейронні мережі.
- •4.Процедури фазификації та дефазифкації в системах керування на основі нечіткої логіки.
- •5.Двошарова нейронна мережа.
- •6.Комп’ютерні cистеми управління на основі засобів нечіткої логіки.
- •7.Реалізація довільної логічної функції на штучних нейронних мережах.
- •8.Процедури прийняття рішень в системах керування на основі нечіткої логіки.
- •9.Розпізнавання рукописних букв нейронними мережами.
- •10.Структура та класифікація експертних систем як засоба штучного інтелекту.
- •Стадии жизненного цикла скс
- •Оператор кросинговера в генетических алгоримах
- •Основные этапы проектирования скс и сетей
- •Подготовительный этап.
- •Эскизное проектирование.
- •Рабочее проектирование
- •Структура та класифікація експертних систем, як засоба штучного інтелекту
- •Природный отбор и генетическое наследование в генетических алгоритмах
- •Виды современных компьютерных систем как способов обработки информации
- •Рівні опису скс як технічного об’єкта при проектуванні.
- •2.3 Операторы рекомбинации (кроссинговера)
- •2.4 Мутация
- •Ієрархична структура скс як складного технічного об’єкту.
- •1)Структурна схема та робота генетичного алгоритму
- •2) Задачи анализа и синтеза при проектировании скс и сетей
Структура та класифікація експертних систем, як засоба штучного інтелекту
Типичная статическая ЭС состоит из следующих основных компонентов:
-
решателя (интерпретатора);
-
рабочей памяти (РП), называемой также базой данных (БД);
-
базы знаний (БЗ);
-
компонентов приобретения знаний;
-
объяснительного компонента;
-
диалогового компонента.
База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.
База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.
Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.
Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.
Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.
Природный отбор и генетическое наследование в генетических алгоритмах
Итак, что же такое генетические алгоритмы. Генетические алгоритмы - это способы решения задач оптимизации (а эволюция, грубо говоря, это и есть оптимизация), в основе которых лежат эволюционные принципы.
Обычно имеется некоторая функция от нескольких переменных (целевая функция). Задача состоит в том, чтобы найти ее максимум или минимум.
Параметры функции - это генетический материал - гены. Совокупность генов составляет хромосому. Каждая особь обладает своей хромосомой, то есть, своим набором параметров-генов. Подставив параметры в целевую функцию, можно получить какое-то значение.
Генетические алгоритмы работают с популяцией, состоящей из некоторого количества особей, заданных при помощи данного способа.
Затем популяция оценивается, то есть оценивается каждая особь при помощи оценивающей функции, значение которой - приспособленность. Чем выше приспособленность, тем лучше особь.
Вот здесь и начинается самое интересное. Особи "скрещиваются" между собой с помощью генетических операторов, часть потомков заменяют представителей более старого поколения в соответствии со стратегией отбора. Выбор особей для скрещивания проводится согласно селективной стратегии.
Заново сформированная популяция снова оценивается, затем выбираются наиболее достойные для скрещивания особи, которые скрещиваются, получаются потомки, занимают место старых особей и т.д.
Весь процесс продолжается до тех пор пока не найдется особь, гены которой представляют собой оптимальный набор параметров, при которых значение целевой функции близко к максимуму или минимуму, либо равно ему. Останов работы ГА может произойти также в случае вырождения популяции, то есть практического отсутствия разнообразия в генах разных особей популяции. Вырождение популяции называют преждевременной сходимостью.
Создается впечатление, что генетические алгоритмы - это просто вариант случайного поиска. Однако, это не так из-за того, что для скрещивания выбираются наиболее приспособленные особи, и как ни странно, их потомки тоже не намного хуже родителей, или даже лучше. Это подтверждается так называемой теоремой шим (которую здесь мы рассматривать не будем).