3. Доступне програмне забезпечення генетичних алгоритмів

Генетичні алгоритми нині можна застосовувати в різних галузях. Їх успішно використовують для розв’язування низки великих і економічно важливих задач у бізнесі і в інженерних розробках. З їх допомогою були розроблені промислові проектні рішення, що уможливили багатомільйонну економію витрат. Фінансові компанії широко використовують ці засоби у разі прогнозування розвитку фінансових ринків для управління пакетами цінних паперів. Нарівні з іншими методами генетичні алгоритми, зазвичай, використовуються для оцінювання значень безперервних параметрів моделей великих розмірностей, для розв’язування комбінаторних задач, для задач з оптимізації, що містять одночасно безперервні і дискретні параметри. Іншою галуззю їх застосування є використання в системах добування нових знань із великих баз даних, створення і навчання стохастичних мереж, навчання нейронних мереж, оцінювання параметрів у задачах багатовимірного статистичного аналізу, отримання початкових даних для виконання інших алгоритмів пошуку і оптимізації. Все це зумовило зростання заінтересованості фірм-розробників комерційного програмного забезпечення стосовно генетичних алгоритмів, що в кінцевому результаті привело до появи на ринку багатьох програмних продуктів такого виду.

Незважаючи на те, що розв’язання конкретної оптимізаційної задачі часто потребує побудови генетичного алгоритму з унікальними значеннями параметрів, низка базових властивостей цих алгоритмів залишається постійною за розв’язання абсолютно різних задач. Тому здебільшого для реалізації конкретного генетичного алгоритму не потрібно створювати окремий програмний продукт.

Опишемо кілька прикладів програмного забезпечення, що дає змогу реалізовувати широкий набір генетичних алгоритмів, які можна застосовувати для розв’язування найрізноманітніших задач. Змінними параметрами генетичних алгоритмів у таких додатках, зазвичай, є різні значення ймовірностей, розмір популяції і низка специфічних властивостей алгоритму. Проте реалізація генетичних операторів, як правило, єдина для всіх алгоритмів і прихована від користувача.

Пакет Evolver 4.0 компанії Palisade Corp. Пакет Evolver являє собою доповнення до програми MS Excel версій 5.0 і 7.0. При цьому Excel використовується як засіб опису початкових даних алгоритму і розрахунків у процесі його виконання. У процесі установки Evolver додає в Excel додаткову панель інструментів, яка забезпечує доступ до пакета. Якщо Evolver не запущений для виконання, то панель інструментів не відображається. У разі запуску Evolver додаток Excel запускається автоматично.

Пакет GeneHunter 1.0 компанії Ward System Group. Пакет GeneHunter багато чим схожий з пакетом Evolver. Він також є надбудовою над MS Excel версій 5.0 і 7.0 і запускається з меню «Сервіс». Цей пакет русифікований і має низку додаткових настройок для генетичних алгоритмів: включення стратегій елітизму й різноманітності. Поля вікна GeneHunter практично такі самі як і в Evolver. Однак його вікно має низку відмінностей. Для установки параметрів алгоритму служить кнопка «Параметри...». Параметри генетичного алгоритму не зберігаються автоматично з файлом Excel. Для збереження параметрів служить кнопка «Модель», після натиснення на яку з’являється відповідне діалогове вікно.

Пакет Genetic Training Option (GTO) компанії California Scientific Software. Пакет GTO є додатковою утилітою, що поставляється для нейропакета BrainMaker виробництва компанії «California Scientific Software». Він застосовується як для побудови нейронних мереж, так і для поліпшення створеної за допомогою BrainMaker мережі. Але в обох випадках окремо від BrainMaker використовуватися не може.

Генетичні алгоритми складні для створення, але прості в застосуванні — потребують від користувача тільки формалізації задачі й формування початкових даних. Така ситуація багато в чому сприяє розширенню галузей застосування генетичних алгоритмів.

Контрольні запитання.

ШТУЧНІ НЕЙРОННІ МЕРЕЖІ (ШНМ)

БІОЛОГІЧНИЙ НЕЙРОН

ШТУЧНИЙ НЕЙРОН

Базовий модуль ШНМ штучний нейрон моделює чотири основні функції природного нейрона. Вхідні сигнали x_n зважені ваговими коефіцієнтами з'єднання w_n додаються, проходять через передатну функцію, генерують результат і виводяться. Модифіко-вані входи передаються на суматор (сумування або знаходження середнього, найбільшого, наймен-шого, OR, AND). Інколи функція сумування ускладнюється додаван-ням функції активації, яка дозволяє суматору оперувати в часі.

1. Стан і тенденції розвитку штучного інтелекту

2. Успіхи систем штучного інтелекту і їхньої причини

3. Експертні системи реального часу - основний напрямок штучного інтелекту

4. Основні виробники

5. Архітектура експертної системи реального часу

6. Розширення прототипу до додатка

7. Тестування додатка на наявність помилок

8. Тестування логіки додатка й обмежень (за часом і пам'яттю)

9. Супровід додатка

1. Сутність та призначення систем підтримки прийняття рішень

2. Стисла історія розвитку систем підтримки прийняття рішень

2.1. Зародження і розвиток концепції СППР

2.2. Теорія розроблення СППР

2.3. Розширення рамок СППР

2.4. Технологічні просування

3. Цілі СППР та чинники,що сприяють їх досягненню

4. Посилення конкурентної переваги завдяки СППР

1. Еволюція концепції і структури СППР

2. Способи взаємодії особи, що приймає рішення, з СППР

3. Еволюція СППР

4. Характеристика сучасних СППР

1. Галузі застосування СППР

2. Приклади застосування СППР

3. СППР Marketing Expert

4. СППР Decision Grid

5. СППР RealPlan

6. СППР TAX ADVISOR

7. СППР Advanced Scout

8. Система бізнесової інформації(Business Intelligence) FedEx

9. СППР ShopKo

1. Архітектура систем підтримки прийняття рішень

2. Компоненти користувацького інтерфейсу

2.1. Призначення та загальні ознаки користувацького інтерфейсу

2.1.1. Важливість та ефективність користувацького інтерфейсу СППР

2.1.2. Основні теми та механізмистворення користувацького інтерфейсу

2.1.3. Загальні висновки щодо користувацького інтерфейсу

2.1.4. Компоненти мови відображень (презентацій)

2.1.4. Роль знань у користувацькому інтерфейсі

2.1.5. Питання проектування користувацького інтерфейсу

1. Класифікація на основі інструментального підходу

2. Класифікація за ступенем залежності ОПР у процесі прийняття рішень

3. Класифікація за часовим горизонтом

4. Інституційні СППР та СППР на даний випадок

Характеристика

1. Моделі в аспекті інформаційного підходу

2. Модель, основана на знаннях

3. Модель єрархії управління

4. Моделі, орієнтовані на особистість ОПР

5. Моделі для планування та прогнозування

6. Модель для конторської діяльності

1. Облікові і фінансові моделі

1.1. Аналіз беззбитковості

1.2. Моделі фінансового планування

1.4. Аналіз на основі розрахунку коефіцієнтів за даними звітності

2. Моделі аналізу рішень

2.1. Аналітичний єрархічний процес (AHP)

2.2. Дерева рішень і моделі багатоатрибутної корисності

2.3. Діаграми впливу

2.4. Прийняття ризикованих рішень за допомогою функції вигідності

3. Моделі прогнозування

4. Сітьові і оптимізаційні моделі

5. Імітаційні (симуляційні) моделі

6. Мови моделювання і електронні таблиці

1. Стратегія оцінювання і вибору методів підтримки прийняття рішень у СППР

2. Процес прийняття рішень

3. Ситуації, пов’язані з прийняттям рішень

4. Функції і завдання прийняття рішень

5. Узагальнена матриця методів/ситуацій, пов’язаних з прийняттям рішень

1. Генетичні успадкування — концептуальна засада генетичних алгоритмів

2. Загальна схема генетичних алгоритмів

3. Доступне програмне забезпечення генетичних алгоритмів

1. Визначення виконавчих інформаційних систем

2. Призначення ВІС

3. Визначальні характеристики ВІС

Література.

1. Глибовець М.М., Олецький О.В. Штучний інтелект. –К.: КМ Академія, 2002. –365с.

2. Ходаков В.Є., Пилипенко М.В., Соколова Н.А. Вступ до комп’ютерних наук. –К.: Центр навчальної літератури, 2005. –496с.

Тема: Поняття про виконавчі інформаційні системи.

Мета: ознайомлення з поняттям виконавчої інформаційної системи, її призначенням та характеристиками.

Перелік питань, що вивчаються.

ШТУЧНІ НЕЙРОННІ МЕРЕЖІ (ШНМ)

БІОЛОГІЧНИЙ НЕЙРОН

ШТУЧНИЙ НЕЙРОН

Базовий модуль ШНМ штучний нейрон моделює чотири основні функції природного нейрона. Вхідні сигнали x_n зважені ваговими коефіцієнтами з'єднання w_n додаються, проходять через передатну функцію, генерують результат і виводяться. Модифіко-вані входи передаються на суматор (сумування або знаходження середнього, найбільшого, наймен-шого, OR, AND). Інколи функція сумування ускладнюється додаван-ням функції активації, яка дозволяє суматору оперувати в часі.

1. Стан і тенденції розвитку штучного інтелекту

2. Успіхи систем штучного інтелекту і їхньої причини

3. Експертні системи реального часу - основний напрямок штучного інтелекту

4. Основні виробники

5. Архітектура експертної системи реального часу

6. Розширення прототипу до додатка

7. Тестування додатка на наявність помилок

8. Тестування логіки додатка й обмежень (за часом і пам'яттю)

9. Супровід додатка

1. Сутність та призначення систем підтримки прийняття рішень

2. Стисла історія розвитку систем підтримки прийняття рішень

2.1. Зародження і розвиток концепції СППР

2.2. Теорія розроблення СППР

2.3. Розширення рамок СППР

2.4. Технологічні просування

3. Цілі СППР та чинники,що сприяють їх досягненню

4. Посилення конкурентної переваги завдяки СППР

1. Еволюція концепції і структури СППР

2. Способи взаємодії особи, що приймає рішення, з СППР

3. Еволюція СППР

4. Характеристика сучасних СППР

1. Галузі застосування СППР

2. Приклади застосування СППР

3. СППР Marketing Expert

4. СППР Decision Grid

5. СППР RealPlan

6. СППР TAX ADVISOR

7. СППР Advanced Scout

8. Система бізнесової інформації(Business Intelligence) FedEx

9. СППР ShopKo

1. Архітектура систем підтримки прийняття рішень

2. Компоненти користувацького інтерфейсу

2.1. Призначення та загальні ознаки користувацького інтерфейсу

2.1.1. Важливість та ефективність користувацького інтерфейсу СППР

2.1.2. Основні теми та механізмистворення користувацького інтерфейсу

2.1.3. Загальні висновки щодо користувацького інтерфейсу

2.1.4. Компоненти мови відображень (презентацій)

2.1.4. Роль знань у користувацькому інтерфейсі

2.1.5. Питання проектування користувацького інтерфейсу

1. Класифікація на основі інструментального підходу

2. Класифікація за ступенем залежності ОПР у процесі прийняття рішень

3. Класифікація за часовим горизонтом

4. Інституційні СППР та СППР на даний випадок

Характеристика

1. Моделі в аспекті інформаційного підходу

2. Модель, основана на знаннях

3. Модель єрархії управління

4. Моделі, орієнтовані на особистість ОПР

5. Моделі для планування та прогнозування

6. Модель для конторської діяльності

1. Облікові і фінансові моделі

1.1. Аналіз беззбитковості

1.2. Моделі фінансового планування

1.4. Аналіз на основі розрахунку коефіцієнтів за даними звітності

2. Моделі аналізу рішень

2.1. Аналітичний єрархічний процес (AHP)

2.2. Дерева рішень і моделі багатоатрибутної корисності

2.3. Діаграми впливу

2.4. Прийняття ризикованих рішень за допомогою функції вигідності

3. Моделі прогнозування

4. Сітьові і оптимізаційні моделі

5. Імітаційні (симуляційні) моделі

6. Мови моделювання і електронні таблиці

1. Стратегія оцінювання і вибору методів підтримки прийняття рішень у СППР

2. Процес прийняття рішень

3. Ситуації, пов’язані з прийняттям рішень

4. Функції і завдання прийняття рішень

5. Узагальнена матриця методів/ситуацій, пов’язаних з прийняттям рішень

1. Генетичні успадкування — концептуальна засада генетичних алгоритмів

2. Загальна схема генетичних алгоритмів

3. Доступне програмне забезпечення генетичних алгоритмів

1. Визначення виконавчих інформаційних систем

2. Призначення ВІС

3. Визначальні характеристики ВІС