36. Достоинства генетических алгоритмов.[1/1]

1)Отсутствует ограничение на дифференцируемость функций. В частности, ГА работает и тогда, когда функции нет вообще.

2)Гибкость - хорошо работает при минимуме информации об окружающей среде (при высокой степени априорной неограниченности).

3)В ряде случаев ГА может находить только логический минимум (максимум). Несмотря на это, дает быстрое нахождение приемлемого решения.

4)Комбинируется с другими методами искусственного интеллекта и его эффективность может повышаться.

5) Применяются для решения поисковых задач, которые имеют большое пространство в поисках решения с целью уменьшения этого пространства поиска. Наиболее распространенное применение- решение задач оптимизации.

6) Минимизация ошибок.

7) Высокая скорость поиска решений

8)Возможность распараллеливания вычислений

9) Комплексная, а не поэтапная оптимизация задачи

37. Гибридные сии и их виды.[1/2]

1) Объединение ГА и НС COGANN(Combination of G.A. and N.N.) Виды объединений:

1.1. Независимое (Independent) объединение

НС и ГА применяются ля решения одной и той же задачи параллельно.

1.2. Вспомогательное объединение

Оба метода применяются последовательно, причем первый метод применяется для подготовки данных, которые затем используются во втором методе.

НС используется для формирования исходной популяции

а) ГА->НС

Примечание: в качестве подбора начальных данных могут использоваться и параметры алгоритма обучения (Например, скорость)

б)НС->ГА

НС используется как некоторый апроксиматор, что позволяет увеличить эффективность нахождения оптимума с помощью ГА.

1.3. Равноправная технология

Оба метода применяются, причём один из методов используется для реализации какого-либо этапа из алгоритма другого.

1.3.1 ГА используется для обучения НС.

а) Начало ; б) Формируется исходная популяция ; в) Декодирование ;

г) Множество НС с заданными весами ; д) Расчет функции приспособленности

е) Значение функции приспособленности для каждой особи

ж) Проверка условия остановки. Если да – то идти к (л) иначе – к (з)

з) Селекция ; и) Генетические операторы ;

к) создание новой популяции. Идти к (в) ; л) наилучшая особь ; м) Конец

Задача оптимизации, где решается путем применения ГА.

Достоинства:

1. Позволяет избежать “ловушек”.

2. Может применяться для функций, для которых градиент найти либо невозможно, либо сложно.

*37. Гибридные СИИ и их виды. [2/2]

1.3.2. ГА используется для выбора топологии НС

а) Начало ; б) Исходная популяция ; в) Декодирование ; г) Множество новых архитектур ; д) обучение нейросетей ; е) множество обученных нейросетей

ж) тестирование НС ; з) Оценка НС ; и) Значения Функции приспособления

к) Проверка условия остановки. Если да – то идти к (о) иначе – к (л)

л)Селекция м)Генетические операторы н)Создание новой популяции. Идти к (в)

о)Наилучшее значение НС п) Конец.

В этом случае в качестве хромосомы выступает код архитектуры сети.

Существует 2 способа кодирования:

a) Непосредственное. Составляется матрица связей, на основании нее строится хромосома. Недостаток: увеличение длины хромосомы при увеличении количества нейронов.

б) Косвенное. Кодируются важнейшие параметры архитектуры сети: количество нейронов и связи.

2) ЭС+НЛ

Очень естественная интеграция.

ЭС позволяет делать логический вывод по цепочке последовательных правил и давать объяснение сработавшей цепочки. НЛ позволяет делать нечёткий логический вывод на нескольких параллельно работающих правилах ,которые соответствуют одному уровню в сети. Совмещение этих технологий позволяет продолжить логический вывод для следующих уровней сети, как это делается в ЭС.

3) НЛ + НС

НС имеет недостаток: невозможность объяснять полученный результат.

Достоинство: НС- универсальный апроксиматор.

НЛ может объяснять полученный результат.

3.1. НС применяется для настройки параметров Функции принадлежности.

Большая проблема – поиск вида функции принадлежности.

Решение: а) Эксперт решает б) Статистически

3.2 Формулирование нечетких правил для базы знаний на основе НС.

3.3 Нечеткие нейронные сети – четкая НС прямого распространения сигнала, которая построена на основе многослойной архитектуры на основе И-нейронов, ИЛИ-нейронов.