Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Voprosy_I_S.doc
Скачиваний:
0
Добавлен:
19.12.2018
Размер:
805.89 Кб
Скачать

Класифікація ес Класифікація ес за завданням, що вирішується

  • Інтерпретація даних (Інтерпретація (interpretation) — трансляція та виконання кожного виразу вихідної мови машинної програми перед трансляцією та виконанням наступного виразу. На відміну від компіляції, у І. процес транслювання відбувається послідовно рядок за рядком під час прогону у середовищі інтерпретатора.)

  • Діагностика (Діагностикагрец. diagnosis = dia+gnosis = «роз+пізнання») (англ. diagnostics; нім. Diagnostik f) — загальна назва різних методів контролю, перевірки функціонування, прогнозування стану об'єктів, систем, організму (медицина).)

  • Моніторинг (Моніторинг (рос. мониторинг, англ. monitoring, нім. Monitoring n) — стеження за яким-небудь процесом з метою виявлення його відповідності бажаному результату або тенденцій розвитку. Методологічно моніторинг це проведення ряду однотипних замірів при цьому головна інформація полягає навіть не в самих значеннях результатів, а в їх зміні, динаміці від одного заміру до іншого.)

  • Проектування (Проектува́ння  — процес створення проекту, прототипу, праобразу майбутнього об'єкта, стану та способів його виготовлення. У проектуванні застосовують системний підхід, який полягає у встановлені структури системи, типу звязків,визначені атрибутів, аналізуванні впливів зовнішнього середовища.)

  • Прогнозування (Прогнозування — процес передбачення майбутнього стану предмета чи явища на основі аналізу його минулого і сучасного, систематична інформація про якісні й кількісні характеристики розвитку цього предмета чи явища в перспективі. Результатом прогнозування є прогноз — знання про майбутнє і про ймовірний розвиток сьогочасних тенденцій.)

  • Звідне Планування

  • Навчання (Навча́ння — це організована, двостороння діяльність, спрямована на максимальне засвоєння та усвідомлення навчального матеріалу і подальшого застосування отриманих знань, умінь та навичок на практиці.)

  • Керування (Керування (фр. management) — властивість, властива будь-який системі, яке дозволяє розпізнати сукупність елементів як ціле, властивість, яка відрізняє систему від безглуздого набору. Механізм здійснення влади, часто зіставний з поняттями домінація і манипуляція.)

  • Підтримка ухвалення рішень

Класифікація ес за зв'язком з реальним часом

  • Статичні ЕС

  • Квазідинамічні ЕС

  • Динамічні ЕС

Синентичні фреймові мережі. (29)

Семантика – это наука устанавливающая смысл знаков и символов

Семантическая сеть – это граф вершина, которого понятие, а дуги показывают отношение между понятиями

Вывод на семантической сети – это поиск фрагмента сети соответствующего некоторым шаблонам, а шаблон – это запрос в БЗ.

Основные отношения:

1. класс – элемент класса (AKO - отношение между надмножеством и подмножеством), одно является олицетворением другого

2. свойство – значение свойства (HasPart - описывающее части/целые объекты)

3. пример элемента класса (ISA - свойства объекта наследуются от множества)

Другие типы отношений:

- часть – целое (крыша часть сооружения)

- функциональные связи

- количественные отношения

- пространственные отношения

- логические отношения

Классификация семантических сетей:

1. по количеству отношений используемых в сети:

- однородные – только один тип связи

- неоднородные – больше двух типов связи

2. по количеству связей

- бинарные – связывает только два понятия

- N-арные – несколько понятий

3. по представлению описываемого объекта

- экстенсиональные – представляют знания о конкретности объекта

- интенсиональные – содержат знания о классе объекта

Принципы построения сетей:

1. описываются отношения в системе, которые могут быть между понятиями

2. введения понятий с двух до бесконечности

3. понятия связываются между собой описанными ранее отношениями

Система, используемая семантические сети работает в двух режимах (либо один, либо другой):

- режим вывода на сети

- режим пополнения сети

Достоинства: считается, что функционирует долговременная память человека

Недостатки: сложная процедура вывода на сети

Фреймовые модели представления знаний

Фрейм – это агрегат, который представляет наиболее полное формирование описания понятия, это разновидность семантических сетей, только вместо вершин выступают фреймы

Имя слота

Значение

Тип

Умолчание

Демон

Слуга


Имя фрейма

Слот 1

. . .

Слот N

Демон – это имя процедуры, которая автоматически запускается при любом обращении к слоту

Слуга – имя процедуры, которое запускается только при некоторых условиях

Фреймы имеют способность наследовать значения характеристик своих «родителей» , находящихся на более высоком уровне иерархий.

Два типа фреймов:

1 фреймы – прототипы – хранятся в базе знаний

2. фреймы – экземпляры – представляют собой запрос пользователя к системе.

Достоинства: Фреймы одна из наиболее используемых моделей знаний, используется любой язык программирования

Недостатки: относительна высокая сложность, что проявляется в снижении скорости работы механизма вывода

Властивості знань, неоднорідність знань, області та рівні знань.(30)

Элвин Тофлер относит к ним следующее:  «1. Знание по своей сути не является соперничающим ресурсом. Вы, я и миллион других людей можем воспользоваться одним и тем же фрагментом знания, нисколько его не уменьшая. Фактически чем больше людей им пользуются, тем вероятнее, что кто-то из них произведет на его основе еще больше знания. […] Сегодня в передовых экономиках огромное число работников создают или обмениваются данными, информацией и знаниями, которые не являются соперничающими, но нам неизвестна ни одна теория, которая систематически отображала бы взаимодействие соперничающих и не соперничающих секторов в экономике и последствия нарушения баланса между ними. 2. Знание нематериально. Его нельзя потрогать, погладить или похлопать, но им можно манипулировать. 3. Знание нелинейно. Единичные озарения могут приносить огромные результаты. Студенты Стэнфордского университета Джерри Янг и Дэвид Фило создали поисковую систему Yahoo, просто упорядочив свои любимые сайты. Фред Смит, тоже будучи студентом, внезапно додумался до того, что люди в условиях ускоряющейся экономики должны платить за скорость, и организовал Federal Express - лучшую в мире систему почтовой доставки. 4. Знание относительно. Каждый отдельный фрагмент знания приобретает значение только в системе других фрагментов, создающих контекст. Иногда контекст может быть передан без слов - одной улыбкой или гримасой. 5. Знание соединяется с другим знанием. Чем больше знаний, тем более разнообразны и полезны их комбинации. 6. Знание - самый мобильный продукт. Переведенное в единицы и нули, оно может мгновенно транслироваться как к соседу по дому, так и к десяткам миллионов людей от Гонконга до Гамбурга за ту же цену, близкую к нулю. 7. Знание можно сжать до символов и абстракций. Попробуйте спрессовать самый маленький материальный тостер. 8. Знание можно хранить во все более мелких ячейках. В 2004 году компания «Тошиба» попала в Книгу рекордов Гиннесса за создание жесткого диска компьютера размером меньше почтовой марки, а впереди нас ожидает хранение на наноуровне, то есть измеряемое миллиардными долями метра и даже меньше, если доступная нам информация верна. 9. Знание может быть открытым и закрытым, выраженным и невыраженным, разделенным или скрытым. Нельзя говорить о существовании скрытого стола, грузовика или другого материального предмета. 10. Знание трудно запечатать в бутылку. Оно вытекает. Суммируя все эти характеристики, мы получаем нечто столь отличное от материальных реалий, с которыми традиционно привыкли иметь дело экономисты, что многие из них лишь качают головами и, как большинство людей в таких случаях, ищут прибежища в хорошо им известном мире - в мире соперничающих осязаемостей. Однако даже все отмеченные отличия - это еще не все, что выводит знание за пределы существующих экономических категорий».

 Классификация видов и уровней знаний

К двум известным в мировой литературе классификациям знаний и способностей B.S. Bloom et al. (2) и R.M. Gagne (3) автор этой статьи добавляет свою классификацию видов и уровней знаний, сформулированную для решения практических задач педагогического измерения.

  1. Знание названий, имен. Сократу принадлежат слова: кто постигает имена, тот постигнет и то, чему принадлежат эти имена. Как отмечает известный зарубежный философ Дж. Остин, знание предмета или явления во многом определяется тем, знаем ли мы его название, точнее - его правильное название (4).

  2. Знание смысла названий и имен. Давно известно, что как понимаем, так и действуем. Понимание смысла названий и имен помогает их запоминанию и правильному употреблению. Например, при имени "Байкал" некоторые из младших школьников могут думать не о знаменитом озере, а о фруктовой воде, продаваемой под тем же названием. Другой пример можно взять из области политического сознания. Как справедливо отмечают в своей книге Ю.Н. Афанасьев, А.С. Строганов и С.Г. Шеховцев, сознание бывших советских людей оказалось неспособными видеть различные смыслы таких абстракций языка как "свобода", "власть", "демократия", "государство", "народ", "общество", считая их как бы ясными по умолчанию. Что и стало одной из причин, позволившей при активном соучастии этих людей уничтожить систему их собственного жизнеобеспечения (5).

  3. Фактуальные знания. Знание фактов позволяет не повторять ошибки, свои и чужие, обогатить доказательную основу знаний. Нередко фиксируются в виде научных текстов, результатов наблюдений, рекомендаций типа техники безопасности, житейской мудрости, поговорок, изречений. Например, из Древнего Китая пришло изречение китайского мыслителя Джу Си: не варите песок в надежде получить кашу.

  4. Знание определений. Самое слабое место в школьном образовании, потому что определениям нельзя научить; их можно понять и усвоить только как результат самостоятельных усилий по овладению требуемыми понятиями. Знание системы определений является одним из лучших свидетельств теоретической подготовленности. В учебном процессе все четыре рассмотренных вида знаний можно объединить в группу репродуктивных знаний.Как отмечал И.Я. Лернер, за годы школьного обучения учащиеся выполняют свыше 10 тыс. заданий. Учитель вынужден организовать репродуктивную деятельность, без которой содержание изначально не усваивается (6). Это знания, не требующие при усвоении заметной трансформации, и потому они воспроизводятся в той же форме, в какой воспринимались. Их можно, с некоторой условностью, назвать знаниями первого уровня.

  5. Сравнительные, сопоставительные знания. Они широко распространены в практике и в науке, присущи преимущественно интеллектуально развитым лицам, особенно специалистам. Они способны анализировать и выбирать лучшие варианты действий при достижении той или иной цели. Как отмечал Н.Кузанский, "все исследователи судят о неизвестном путем соизмеряющего сравнения с чем-то уже знакомым, так что все исследуется в сравнении".

  6. Знание противоположностей, противоречий, антонимов и т.п. объектов. Такие знания ценны в обучении, особенно на самом начальном этапе. В некоторых сферах такие знания являются главными. Например, в школьном курсе безопасности жизнедеятельности надо точно знать - что ученикам можно делать, а чего нельзя делать, ни при каких обстоятельствах.

  7. Ассоциативные знания. Они свойственны интеллектуально развитому и творческому человеку. Чем богаче ассоциации, тем больше условий и выше вероятность для проявления творчества. В значительной мере именно на богатстве ассоциаций построена языковая культура личности, писательский труд, работа художника, конструктора и работников других творческих профессий.

  8. Классификационные знания. Применяются главным образом в науке; Примеры - классификации Линнея, периодическая система элементов Д. И. Менделеева, классификации тестов и т.п. Классификационные знания являются обобщенными, системными знания. Этот вид знаний присущ только лицам с достаточным интеллектуальным развитием, так как требует развитого абстрактного мышления, целостного и взаимосвязанного видения совокупности явлений и процессов. Система знаний - это, прежде всего, владение эффективными определениями основных понятий изучаемых наук. Знания п.п. 5-8 можно отнести ко второму уровню. Такие знания позволяют учащимся решать типовые задания как результат подведения каждого конкретного задания под известные классы изучаемых явлений и методов.

  9. Причинные знания, знания причинно-следственных отношений, знание оснований. Как писал В. Шекспир, пора необъяснимого прошла, всему приходится подыскивать причины. В современной науке причинный анализ является основным направлением исследований. Как отмечал Л. Витгенштейн, говорят "я знаю" тогда, когда готовы привести неоспоримые основания (7).

  10. Процессуальные, алгоритмические, процедурные знания. Являются основными в практической деятельности. Овладение этими знаниями является существенным признаком профессиональной подготовленности и культуры. В эту же группу можно отнести технологические знания, позволяющие неизбежно получать запланированный результат.

  11. Технологические знания. Эти знания представляют собой особый вид знаний, проявляющихся на разных уровнях подготовленности. Это может быть сравнительно простое знание об отдельной операции технологической цепочки, или комплекса знаний, позволяющих непременно достигать поставленных целей с минимально возможными затратами. Знания п.п. 9-11 можно отнести к знаниям более высокого, третьего уровня. Они приобретаются, главным образом, в системе среднего и высшего профессионального образования К высшему, четвертому уровню знаний можно отнести следующие виды знаний:

  12. Вероятностные знания. Такие знания нужны в случаях неопределенности, нехватки имеющихся знаний, неточности имеющейся информации, при необходимости минимизировать риск ошибки при принятии решений. Это знания о закономерностях распределения данных, достоверности различий, о степени обоснованности гипотез.

  13. Абстрактные знания. Эти особый вид знаний, при котором оперируют идеализованными понятиями и объектами, несуществующими в реальности. Много таких объектов в геометрии, естествознании, и в тех общественных науках, которые на Западе называют поведенческими - это психология, социология, педагогика. Вероятностные, абстрактные и специальные научные знания в каждой отдельной дисциплине знания составляют основу теоретических знаний. Это уровень теоретических знаний.

  14. Методологические знания. Это знания о методах преобразования действительности, научные знания о построении эффективной деятельности. Это знания самого высокого, пятого уровня.

Перечисленные виды знаний не образуют пока полной классификационной системы и потому допускают возможность заметного расширения представленной номенклатуры, замены одних видов знаний другими, объединения их в различные группы.

Как уже упоминалось в предыдущих статьях, для целей тестирования знания можно разделить на три вида: предлагаемые, приобретаемые и проверяемые. Теперь рассмотрим этот вопрос чуть подробнее.

Предлагаемые знания даются учащимся в форме учебных пособий, материалов, текстов, лекций, рассказов и т.п., отражающих основную часть образовательной программы. Эти знания формулируются, кроме того, в системе заданий, по которым сами учащиеся могут проверить степень своей подготовленности.

Приобретаемые учащимися знания являются обычно только частью предлагаемых знаний, большей или меньшей, в зависимости от учебной активности учащихся. С развитием компьютерного обучения появились условия для превышения объема приобретаемых знаний над объемом предлагаемых знаний. Это новая ситуация, связанная с возможностями массового погружения учащихся в мировое образовательное пространство, в котором ведущая роль заданий в процессе приобретения знаний уже осознана достаточно хорошо. Решение учебных заданий является главным стимулом для активизации учения, собственной деятельности учащихся. Эта деятельность может протекать в форме работы с учителем, в группе или самостоятельно. Распространенные в литературе рассуждения об уровнях усвоения относятся исключительно к приобретаемым знаниям.

Проверяемые знания образуют основное содержание того документа, который может называться называется программой экзамена или тестирования, в зависимости от избираемой формы контроля знаний. Главной признаком проверяемых знаний является их актуальность, что означает готовность испытуемых к практическому применению знаний для решения заданий, используемых в момент проверки. В высшей школе этот же признак иногда называют оперативностью знаний, хотя смыслы слов различны.

В процессе тестирования школьников и абитуриентов обычно проверяются только такие знания, которые находятся в оперативной памяти - те, что не требует обращения к справочникам, словарям, картам, таблицам и т.п. В числе проверяемых знаний можно выделить еще нормативные знания, которые подлежат обязательному усвоению учащимися и последующему контролю со стороны органов управления образованием посредством экспертно подобранной и утвержденной руководящим органом системы заданий, задач и других контрольных материалов.

Все эти суждения становятся полезными при рассмотрении целей и сути образовательных стандартов. Например, в статье 7 Закона "О внесении изменений и дополнений в закон Российской Федерации "Об образовании" 1996г., стандарты сформулированы невнятно. Их можно понимать как требования к уровню подготовленности выпускников, т.е. требования к проверяемым знаниям. Ведомственное же истолкование сводилась, до недавнего времени, к стандарту как требованиям к предлагаемым знаниям, или иначе, требования к содержанию учебных программ.

Свойства знаний и примеры истолкования

В.И.Гинецинский выделяет следующие свойства знаний:  рефлексивность; я не только знаю нечто, но и знаю, что я это знаю; транзитивность: если я знаю, что некто знает нечто, то из этого следует, что я знаю это нечто; антисимметричность: если я знаю кого-то, то это не значит, что он меня знает (1; С. 11)

Звязки між інформаційними одиницями.(31)

Методи пошуку рішення в мовах визначеності.(32)

Методи пошуку рішення в мовах часткової визначеності.(33)

Методи пошуку рішення в мовах не визначеності. (34)

Мережа Хемінга. (35)

Мережа Хемінга (Hamming) є розширенням мережі Хопфілда. Ця мережа була розроблена Річардом Ліппманом (Richard Lippman) у середині 80-х рр. Мережа Хемінга реалізує класифікатор, що базується на найменшій похибці для векторів двійкових входів, де похибка визначається відстанню Хемінга. Відстань Хемінга визначається як число бітів, які відрізняються між двома відповідними вхідними векторами фіксованої довжини. Один вхідний вектор є незашумленим прикладом образу, інший є спотвореним образом. Вектор виходів навчальної множини є вектором класів, до яких належать образи. У режимі навчання вхідні вектори розподіляються до категорій для яких відстань між зразковими вхідними векторами та біжучим вхідним вектором є мінімальною.

Ер системи. (36)

Формальні граматики і мови.(37)

Розпізнавання мови.(38)

Синтез мови за текстом.(39)

Поняття про евристичний пошук.(40)

Евристичний алгоритм

Матеріал з Вікіпедії — вільної енциклопедії.

В інформатиці, евристичний алгоритм, або просто евристика, це алгоритм спроможний видати прийнятне рішення проблеми серед багатьох рішень, але неспроможний гарантувати, що це рішення буде найкращим. Отже такі алгоритми є приблизними і неточними. Зазвичай такі алгоритми знаходять рішення близьке до найкращого і роблять це швидко. Іноді такий алгоритм може бути точним, тобто він знаходить дійсно найкраще рішення, але він все одно буде називатися евристичним, доти доки не буде доведено, що рішення дійсно найкраще. Один з найвідоміших жадібний алгоритм, для того, щоб бути простим і швидким цей алгоритм ігнорує деякі вимоги задачі.

Дві фундаментальні цілі в інформатиці - знаходження алгоритмів з вірогідно найкращим часом виконання та з хорошою або оптимальною якістю. Евристичний алгоритм відмовляється від однієї або обох цих цілей; наприклад, він зазвичай знаходить дуже хороше рішення, але немає доказів, що рішення насправді не є поганим; або працює досить швидко, але не має гарантії, що він завжди видасть рішення.

Декілька евристичних методів використовуються антивірусним ПЗ для виявлення вірусів та іншого шкідливого ПЗ.

Часто, можна знайти таку задачу, що евристичний алгоритм буде працювати або дуже довго, або видавати невірні результати, однак, такі парадоксальні приклади можуть ніколи не зустрітись на практиці через свою специфічну структуру. Таким чином, використання евристики дуже поширене в реальному світі. Для багатьох практичних проблем евристичні алгоритми, можливо, єдиний шлях для отримання гарного рішення в прийнятний проміжок часу. Існує клас евристичних стратегій названих метаалгоритмами, котрі часто використовують, наприклад, випадковий пошук. Такі алгоритми можуть бути застосовані до широкого кола завдань, при цьому хороші характеристики не гарантуються.

«Жадібні» алгоритми, поняття. (41)

Жа́дібний алгори́тм — простий і прямолінійний евристичний алгоритм, який приймає найкраще рішення, виходячи з наявних на поточному етапі даних, не турбуючись про можливі наслідки, сподіваючись врешті-решт отримати оптимальне рішення. Легкий в реалізації і часто дуже ефективний за часом виконання. Багато задач не можуть бути розв'язані з його допомогою.

Наприклад, використання жадібної стратегії для задачі комівояжера породжує наступний алгоритм: «На кожному етапі вибирати найближче з невідвіданих міст».

Специфіка:

Зазвичай, жадібний алгоритм базується на п'яти принципах:

  1. Набір можливих варіантів, з яких робиться вибір;

  2. Функція вибору, за допомогою якої знаходиться найкращий варіант;

  3. Функція придатності, яка визначає придатність отриманого набору;

  4. Функція цілі, оцінює цінність рішення, не виражена явно;

  5. Функція розв'язку, яка вказує на те, що знайдене кінцеве рішення.

Критерії застосування

Жадібний алгоритм добре розв'язує деякі задачі, а інші — ні. Більшість задач, для яких він спрацьовує добре, мають дві властивості: по-перше, до них можливо застосувати Принцип жадібного вибору, по-друге, вони мають властивість Оптимальної підструктури.

Принцип жадібного вибору

До оптимізаційної задачі можна застосувати принцип жадібного вибору, якщо послідовність локально оптимальних виборів дає глобально оптимальний розв'язок. В типовому випадку доведення оптимальності має таку схему: спочатку доводиться, що жадібний вибір на першому етапі не унеможливлює шлях до оптимального розв'язку: для всякого розв'язку є інше, узгоджене із жадібним і не гірше першого. Далі доводиться, що підзадача, що виникла після жадібного вибору на першому етапі, аналогічна початковій, і міркування закінчується за індукцією. Інакше кажучи, жадібний алгоритм ніколи не переглядає свої попередні вибори для здійснення наступного, на відміну від динамічного програмування.

Властивість оптимальної підструктури

«Задача має оптимальну підструктуру, якщо оптимальне рішення задачі містить оптимальне рішення для підзадач»[1]. Інакше кажучи, задача має оптимальну підструктуру, якщо кожен наступний крок веде до оптимального розв'язку. Прикладом 'неоптимальної підструктури' може бути ситуація в шахах, коли взяття ферзя (хороший наступний крок) веде до програшу партії в цілому.

Жадібні алгоритми можна характеризувати як 'короткозорі' і 'невідновлювані'. Вони ідеальні лише для задач з 'оптимальною підструктурою'. Незважаючи на це, жадібні алгоритми найкраще підходять для простих задач. Для багатьох інших задач жадібні алгоритми зазнають невдачі у продукуванні оптимального розв'язку, і можуть навіть видати найгірший з можливих розв'язків.

Алгоритм Харта, Нільсона, Рафаеля.(42)

Поиск A* (произносится «А звезда» или «А стар», от англ. A star) — в информатике и математике, алгоритм поиска по первому наилучшему совпадению на графе, который находит маршрут с наименьшей стоимостью от одной вершины (начальной) к другой (целевой, конечной).

Этот алгоритм был впервые описан в 1968 году Питером Хартом, Нильсом Нильсоном и Бертрамом Рафаэлем. Это по сути было расширение алгоритма Эдсгера Дейкстры, созданного в 1959 году. Он достигал более высокой производительности (по времени) с помощью эвристики. В их работе он упоминается как «алгоритм A». Но так как он вычисляет лучший маршрут для заданной эвристики, он был назван A*.

A* пошагово просматривает все пути, ведущие от начальной вершины в конечную, пока не найдёт минимальный. Как и все информированные алгоритмы поиска, он просматривает сначала те маршруты, которые «кажутся» ведущими к цели. От жадного алгоритма (который тоже является алгоритмом поиска по первому лучшему совпадению) его отличает то, что при выборе вершины он учитывает, помимо прочего, весь пройденный до неё путь (составляющая g(x) — это стоимость пути от начальной вершины, а не от предыдущей, как в жадном алгоритме). В начале работы просматриваются узлы, смежные с начальным; выбирается тот из них, который имеет минимальное значение f(x), после чего этот узел раскрывается. На каждом этапе алгоритм оперирует с множеством путей из начальной точки до всех ещё не раскрытых (листовых) вершин графа («множеством частных решений»), которое размещается в очереди с приоритетом. Приоритет пути определяется по значению f(x) = g(x) + h(x). Алгоритм продолжает свою работу до тех пор, пока значение f(x) целевой вершины не окажется меньшим, чем любое значение в очереди (либо пока всё дерево не будет просмотрено). Из множественных решений выбирается решение с наименьшей стоимостью.

Чем меньше эвристика h(x), тем больше приоритет (поэтому для реализации очереди можно использовать сортирующие деревья).

Код MatLab

function A*(start,goal)

% множество уже пройденных вершин

var closed := the empty set

% множество частных решений

var q := make_queue(path(start))

while q is not empty

var p := remove_first(q)

var x := the last node of p

if x in closed

continue

if x = goal

return p

add x to closed

% добавляем смежные вершины

foreach y in successors(x)

enqueue(q, p, y)

return failure

Представлення генетичної інформації.(43)

Из школьного курса биологии известно, что хромосомный материал представляет собой

последовательность комбинаций четырех нуклеотидов:

• А — аденин;

• Ц — цитозин;

• Т — тимин;

• Г — гуанин.

В генетических алгоритмах вектора переменных также записывают в виде цепочек симво-лов. Обычно используются достаточно бедные алфавиты. Наиболее часто используются бинарный алфавит — проще реализация алгоритмов.Будем считать, что каждая переменная х представлена фрагментом хромосомы, состоя-щим из фиксированного количества генов. В любой позиции фрагмента может стоять как ноль, так и единица. Рядом стоящие фрагменты не отделяют друг от друга какими-либомаркерами.Важно заметить, (и заметить именно тут), что фенотип однозначно определя-ется генотипом, а не наоборот. Таким образом наше «кодирование» является первичным по отношению к фенотипу. Для приведения генетической информации из бинарной формы к десятичному виду под-ходит любой двоично-десятичный код, но обычно исходят из того, что она представлена в коде Грея. От кода Грея переходим к двоично-десятичному коду, а от него — к натуральным целым числам. Код Грея обладает интересным свойством: соседние числа в двоичном представлении отличаются ровно на символ. Это очень важно для поиска опти-мальной точки. В таком представлении поиск происходит быстрее и реже «сваливается»в локальные экстремумы.

Двоичное кодирование Кодирование по коду Грея

десятичное двоичное шестнадцатеричное десятичное двоичное шестнадцатеричное

0 000 0h 0 0000 0h

1 0001 1h 1 0001 1h

2 0010 2h 3 0011 3h

3 0011 3h 2 0010 2h

4 0100 4h 6 0110 6h

5 0101 5h 7 0111 7h

6 0110 6h 5 0101 5h

7 0111 7h 4 0100 4h

8 1000 8h 12 1100 Ch

9 1001 9h 13 1101 Dh

10 1010 Ah 15 1111 Fh

11 1011 Bh 14 1110 Eh

12 1100 Ch 10 1010 Ah

13 1101 Dh 11 1011 Bh

14 1110 Eh 9 1001 9h

15 1111 Fh 8 1000 8h

Если привлечь геометрические интерпретации Код Грея гарантирует, что две соседние, принадлежащие одному ребру, вершины гиперкуба, на котором осуществляется поиск, всегда декодируются в две ближайшие точки пространства вещественных чисел отстоящие друг от друга на одну единицу точности. Двоично-десятичный код подобным свойством не обладает.

Генетичні оператори, мутації.(44)

Применение генетических операторов к хромосомам, отобранным с помощью селекции, приводит к формированию новой популяции потомков от созданной на предыдущем шаге родительской популяции.

В классическом генетическом алгоритме применяются два основных генетических оператора: оператор скрещивания (crossover) и оператор мутации (mutation). Однако следует отметить, что оператор мутации играет явно второстепенную роль по сравнению с оператором скрещивания. Это означает, что скрещивание в классическом генетическом алгоритме производится практически всегда, тогда как мутация - достаточно редко. Вероятность скрещивания, как правило, достаточно велика (обычно 0,5 ≤ рс ≤ 1), тогда как вероятность мутации устанавливается весьма малой (чаще всего 0 ≤ рm ≤ 0,1). Это следует из аналогии с миром живых организмов, где мутации происходят чрезвычайно редко.

В генетическом алгоритме мутация хромосом может выполняться на популяции родителей перед скрещиванием либо на популяции потомков, образованных в результате скрещивания.

Оператор скрещивания.

На первом этапе скрещивания выбираются пары хромосом из родительской популяции (родительского пула). Это временная популяция, состоящая из хромосом, отобранных в результате селекции и предназначенных для дальнейших преобразований операторами скрещивания и мутации с целью формирования новой популяции потомков. На данном этапе хромосомы из родительской популяции объединяются в пары. Это производится случайным способом в соответствии с вероятностью скрещивания рс. Далее для каждой пары отобранных таким образом родителей разыгрывается позиция гена (локус) в хромосоме, определяющая так называемую точку скрещивания. Если хромосома каждого из родителей состоит из L генов, то очевидно, что точка скрещивания lk представляет собой натуральное число, меньшее L. Поэтому фиксация точки скре­щивания сводится к случайному выбору числа из интервала [1, L - 1]. В результате скрещивания пары родительских хромосом получается следующая пара потомков:

1) Потомок, хромосома которого на позициях от 1 до lk состоит из генов первого родителя, а на позициях от k + 1 до L - из генов второго родителя;

2) Потомок, хромосома которого на позициях от 1 до k состоит из генов второго родителя, а на позициях от lk + 1 до L - из генов пер­вого родителя.

Как бы то нибыло, с уверенностью можно сказать лишь одно - опыты показывают необходимость присутствия обоих механизмов в алгоритме. При этом В большенстве экспериментов оператор мутации применяется к потомку с заданной вероятностью, причем величина вероятности выбирается давольно малой - порядка 0,01.

Необходимо также сказать, что в основном все операторы мутации сводятся к инвертированию одного или нескольких ген потомка. Это справедливо только для бинарного кодирования хромосом. В случае других способов кодирования мутация гена требует либо случайного выбора из заданного множества вариантов (случай алфавитного кодирования) либо специальных алгоритмов.

Оператор мутации с вероятностью рт изменяет значение гена в хромосоме на любое другое возможное значение. Например, если в хромосоме [100110101010] мутации подвергается ген на позиции 7, то его значение, равное 1, изменяется на 0. что приводит к образованию хромосомы [100110001010]. Как уже упоминалось выше, вероятность мутации обычно очень мала, и именно от нее зависит, будет данный ген мутировать или нет. Вероятность рт мутации может эмулироваться, например, случайным выбором числа из интервала [0, 1] для каждого гена и отбором для выполнения этой операции тех генов, для которых разыгранное число оказывается меньшим или равным значению рт.

Одноточечная мутация

В этом варианте оператора мутации в потомке случайно выбирается один ген и мутируется. П

Плотность мутации

Стратегия мутации с использованием понятия "плотности" заключается в мутировании каждого гена потомка с заданной вероятностью. Таким образом, кроме вероятности применения мутации к самому потомку используется еще вероятность применения мутации к каждому его гену, величину которой выбирают с таким расчетом, чтобы в среднем мутировало от 1 до 10 процентов ген.

Инцест

как механизм самоадаптации оператора мутации. Она заключается в том, что "плотность мутации" (вероятность мутации каждого гена) определяется для каждого потомка на основании генетической близости его родителей. Например, это может быть отношение числа совпадающих ген родителей к общему числу ген хромосомы. Это приводит к очень интересному эффекту - при высоком разнообразии генофонда пополяции (первые шаги ГА) последствия мутации будут минимальными, что позволяет репродукции работать без стороннего вмешательства. В случае же понижения разнообразия, что возникает в основном при застревании алгоритма в локальном оптимуме, последствия мутации становятся более ощутимыми, а при полном схождении популяции алгоритм просто становится стахостическим, что увеличивает вероятность выхода популяции из локального оптимума. ПОЗИЦИОНИРОВАНИЕ

Фитнес-функция

Тут нужно обратить внимание что фитнес-функция это пожалуй наиболее важная (или одна из) деталь ГА. Здесь нужно выделить 3 главных момента:

Функция оценки должны быть адекватна задаче. фитнесс функция всегда должна стремиться удовлетворить условие, что для всех решений X выполняется F(X1) Фитнес-функция должна иметь рельеф. Мало того, рельеф должен быть разнообразным. Это означает, что ГА имеет мало шансов на успех, если на поверхности фитнес-функции есть огромные "плоские" участки - это приводит к тому, что многие (или, что хуже, все) решения в популяции при различии в генотипе не будут отличаться фенотипом, тоесть, не смотря на то что решения различаются, они имеют одинаковую оценку, а значит алгоритм не имеет возможности выбрать лучшее решение, выбрать направление дальнейшего развития. Эта проблема еще упоминается как "проблема поля для гольфа", где всё пространство абсолютно одинаково, за исключением лишь одной точки, которая и является оптимальным решением - в этом случае алгоритм просто остановится или будет блуждать абсолютно случайно.

Фитнес-функция должна требовать минимум ресурсов. Т.к. это наиболее часто используемая деталь алгоритма, она имеет существенное влияние на его скорость работы.

Переважне правило розмноження найсильніших.(45)

способи представлення генетичної інфомарції.(46)

Из школьного курса биологии известно, что хромосомный материал представляет собой

последовательность комбинаций четырех нуклеотидов:

• А — аденин;

• Ц — цитозин;

• Т — тимин;

• Г — гуанин.

В генетических алгоритмах вектора переменных также записывают в виде цепочек симво-лов. Обычно используются достаточно бедные алфавиты. Наиболее часто используются бинарный алфавит — проще реализация алгоритмов.Будем считать, что каждая переменная х представлена фрагментом хромосомы, состоя-щим из фиксированного количества генов. В любой позиции фрагмента может стоять как ноль, так и единица. Рядом стоящие фрагменты не отделяют друг от друга какими-либомаркерами.Важно заметить, (и заметить именно тут), что фенотип однозначно определя-ется генотипом, а не наоборот. Таким образом наше «кодирование» является первичным по отношению к фенотипу. Для приведения генетической информации из бинарной формы к десятичному виду под-ходит любой двоично-десятичный код, но обычно исходят из того, что она представлена в коде Грея. От кода Грея переходим к двоично-десятичному коду, а от него — к натуральным целым числам. Код Грея обладает интересным свойством: соседние числа в двоичном представлении отличаются ровно на символ. Это очень важно для поиска опти-мальной точки. В таком представлении поиск происходит быстрее и реже «сваливается»в локальные экстремумы.

Двоичное кодирование Кодирование по коду Грея

десятичное двоичное шестнадцатеричное десятичное двоичное шестнадцатеричное

0 000 0h 0 0000 0h

1 0001 1h 1 0001 1h

2 0010 2h 3 0011 3h

3 0011 3h 2 0010 2h

4 0100 4h 6 0110 6h

5 0101 5h 7 0111 7h

6 0110 6h 5 0101 5h

7 0111 7h 4 0100 4h

8 1000 8h 12 1100 Ch

9 1001 9h 13 1101 Dh

10 1010 Ah 15 1111 Fh

11 1011 Bh 14 1110 Eh

12 1100 Ch 10 1010 Ah

13 1101 Dh 11 1011 Bh

14 1110 Eh 9 1001 9h

15 1111 Fh 8 1000 8h

Если привлечь геометрические интерпретации Код Грея гарантирует, что две соседние, принадлежащие одному ребру, вершины гиперкуба, на котором осуществляется поиск, всегда декодируются в две ближайшие точки пространства вещественных чисел отстоящие друг от друга на одну единицу точности. Двоично-десятичный код подобным свойством не обладает.

Генетичний алгоритм.(47)

Классический генетический алгоритм.

Основной (классический) генетический алгоритм (также называемый элементарным или простым генетическим алгоритмом) состоит из следующих шагов:

1) Инициализация, или выбор исходной популяции хромосом;

2) Оценка приспособленности хромосом в популяции;

3) Проверка условия остановки алгоритма;

4) Селекция хромосом;

5) Применение генетических операторов;

6) Формирование новой популяции;

7) Выбор “наилучшей” хромосомы.

Инициализация, т.е. формирование исходной популяции, заключается в случайном выборе заданного количества хромосом (особей), представляемых двоичными последовательностями фиксированной длины

Оценивание приспособленности хромосом в популяции состоит в расчете функции приспособленности для каждой хромосомы этой популяции. Чем больше значение этой функции, тем выше «качество» хромосомы.

Проверка условия остановки алгоритма. Определение условия остановки генетического алгоритма зависит от его конкретного применения. В оптимизационных задачах, если известно максимальное (или минимальное) значение функции приспособленности, то остановка алгоритма может произойти после достижения ожидаемого оптимального значения, возможно - с заданной точностью. Остановка алгоритма также может произойти в случае, когда его выполнение не приводит к улучшению уже достигнутого значения. Алгоритм может быть остановлен по истечении определенного времени выполнения либо после выполнения заданного количества итераций

Селекция хромосом заключается в выборе (по рассчитанным на втором этапе значениям функции приспособленности) тех хромосом, которые будут участвовать в создании потомков для следующей популяции, т.е. для очередного поколения.

Применение генетических операторов к хромосомам, отобранным с помощью селекции, приводит к формированию новой популяции потомков от созданной на предыдущем шаге родительской популяции.

Формирование новой популяции.

Хромосомы, полученные в результате применения генетических операторов к хромосомам временной родительской популяции, включаются в состав новой популяции. Она становится так называемой текущей популяцией для данной итерации генетического алгоритма.

Выбор “наилучшей” хромосомы.

Если условие остановки алгоритма выполнено, то следует вывести результат работы, т.е. представить искомое решение задачи. Лучшим решением считается хромосома с наибольшим значением функции приспособленности.

Умови створення початкової популяції.(48)

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]