- •1. Информатика как наука, ее структура и мето в системе других наук.
- •2. Кодирование информации.Постановка задачи.
- •3. Формальные языки и граматики. Их классификация.
- •5.Компьютерное моделирование.
- •6Моделирование в биологии. Модели популяции, клеточные автоматы.
- •8,Задача линейного програмит-я. Методы её решения.
- •10. Динамические структуры. Линейная структура - стек. Предст в памяти пк.
- •11, Компьютерная сеть. Способы организ-ии вычисл. Основные функ-ые Эл-ты кс. Одноранговые сети на основе сервера.
- •4. Одноранговые сети и на основе сервера.
- •12. Носители для передачи инф-ии в ком. Сети.
- •13. Правила сетевого взаимодействия. Протоколы. Модель osi
- •Физический уровень
- •14.Определение искусственного интеллекта
- •15. Пролог - programming in logic
- •17. Нейронные сети.
- •18 Генетические алгоритмы. Определение. Схема классического генетического алгоритма. Области применения классических генетических алгоритмов.
- •19, Информационные системы.
- •20. Базы данных. Модели данных. Реляционная модель данных.
- •22. Целостность реляционных данных. Потенциальные, первичные и альтернативные ключи. Правило целостности объектов. Внешние ключи. Правило ссылочной целостности. Правила внешних ключей.
- •23, Реляционная алгебра. Основные операции реляционной алгебры. Язык sql.
- •24. Предмет изуч-я теор алг-мов. Алг-тм, его св-ва, необходим уточ-я пон-я алг-ма. Универсаль-е алг-ие модели.
- •25,Характеристики сложности вычисления. Временная и емкостная сложность алгоритма. Верхние и нижние оценки, асимптотические обозначения. Порядок роста.
- •26 История развития ком тех эвм, поколение эвм и классиф. Современные тенденции разв архит эвм.
- •4Е поколение: 1972-1984
- •5Е поколение: втор полов 80-х
- •6Е и последующие поколения эвм
- •27. Микропроцессор и память компа. Основной алг. Работы проца. Система прерываний.
- •29. Решение системы n линейных уравнений с n неизвестными методом Гаусса. Алгоритм решения системы для реализации на эвм.
- •30, Интерполирование: постановка задачи, геометрическая интерпретация. Интерполяционный член Ньютона Алгоритм для реализации на эвм выбранного многочлена.
- •31. Вычисл-е определ-го интеграла по одной из фор-л. Алг-м реализ-ии на эвм выбранной формулы.
18 Генетические алгоритмы. Определение. Схема классического генетического алгоритма. Области применения классических генетических алгоритмов.
Г.А. – это методы поиска решений сложных задач, используя принципы биолог. эволюции (Изменчивость, отбор, наследственность).
Первоначально случайным образом генерируется популяция решений задачи. Далее в ходе решения наименее подходящие решения устраняются наиболее вероятные сохраняются скрещиваются, и дают потомство еще более подходящие решения. И так до тех пор пока не будет достигнуто оптимальное или близкое к нему решение.
Рассмотрим схему Г.А.:
К аждый этап имеет множество вариантов реализации. Рассмотрим классический Г.А.
Пример: Дана функция . . Наитии максимум. Для эффективной работы Г.А. возможные решение кодируется двоичными строками – хромосомами, а каждый их отдельный бит – ген. Теперь мы ищем оптимальное решение не во множестве {0,1,2…15}, а во множестве {0000, 0001, 0010…1111}.
Инициализация. Сл. образом формируется нач. популяция решений. Пример: пусть количество особей в популяции m=b. {0010, 0101, 0111, 1001, 1100, 1110} {2, 5, 7, 9, 12, 14}.
Оценка. Для каждой особи текущей популяции вычисляется ее приспособляемость (как она справляется с решением задач). Для этого используется функция приспособляемости (оценки). Для примера фун. б/т . Чем больше функция те более приспосабливаются особи. Для примера 0010 (2) - 4, 0101 (5) - 25, 0111 (7) - 49, 1001 (9) - 81, 1100 (12) - 144, 1110 (14) – 196.
Отбор. Из текущей ситуации выбирают наиболее приспосабливаемые особи. Обычно для этого используется метод рулетки. Ставим в соответствие каждой особи сектор рулетки так, чтобы его ширина была проп-на приспос-ти особи. Запускаем рулетку m раз. Тем самым выбираем m особей для участия в созд-ии следующей популяции. При этом некоторые особи могут выбраны несколько раз: пр: {0111, 1001, 1100, 1100, 1110, 1110}.
Скрещивание. Отбор особи происходит путем произольного разбиения на пары, и далее скрещиваются. Для двух особей выбирается точка скрещивания и особи обмениваются правыми частями. Пр.0000|00 000011
1111|11 111100 При этом не все пары подвергаются скрещиванию. Это происходит с некоторой вероятностью 0,6≤ρ≤1. Если особи скрещиваются, то в следующую популяцию переходят их потомки, иначе переходят сами особи.
Мутация. После скрещивания особи могут мутировать. Для каждой особи просматриваются ее виды и инвертируются с вероятностью 0≤ρмут≤0,001. И т.д. процесс повторяется пока не будет достигнуто условие завершения алгоритма:
Достигнуто мах кол-во поколений (максимальное время работы алгоритма)
Популяция прекращает улучшаться (все особи становятся примерно одинаковыми).
Применение:
Задачи оптимизации (транспортная задача)
Для составления расписаний
Создание дизайна
Создание компьютерных программ (генетическое програмирование)
Обучение нейронных сетей.