63.Генетические алгоритмы. Особенности построения и реализации

Одной из наиболее востребованных областей применения генетических алгоритмов являются задачи обучения нейронных сетей, в том числе и нечетких, путем подбора адекватных параметров. Общими этапами такого обучения являются следующие:

ШАГ 1. Выделение управляющих параметров задачи обучения.

ШАГ 2. Получение решения при фиксированных значениях параметров.

ШАГ 3. Определение рассогласованности полученного и требуемого решений.

ШАГ 4. Выбор новых значений параметров на основе работы

генетического алгоритма.

ШАГ 5. Останов в случае получения удовлетворительной рассогласованности решения, иначе - переход к шагу 2.

Генетический алгоритм оптимизации.В качестве управляющих параметров обучения нечетких нейронных сетей, влияющих на качество решения, могут быть выбраны параметры функций принадлежности а также различная формализация логических правил.Генетические алгоритмы базируются на теоретических достижениях синтетической теории эволюции, учитывающей микробиологические механизмы наследования признаков в природных и искусственных популяциях организмов, а также на накопленном опыте в селекции животных и растений.Методологическая основа генетических алгоритмов зиждется на гипотезе селекции, которая в самом общем виде может быть сформулирована так: чем выше приспособленность особи, тем выше вероятность того, что в потомстве, полученном с ее участием, признаки, определяющие приспособленность, будут выражены еще сильнее. Поскольку генетические алгоритмы имеют дело с популяциями постоянной численности, особую актуальность здесь наравне с отбором в родители приобретает отбор на элиминирование. Чаще всего особи, обладающие низкой приспособленностью, не только не участвуют в генерации нового поколения, а элиминируются из популяции на текущем дискретном шаге (эпохе) эволюции.В качестве иллюстрации эффективности примененияГА рассмотрим ставшую уже классической задачу управления перевернутым маятником (invertedpendulum), который представляет собой типичный нелинейный неустойчивый объект. Будем полагать, что перевернутый маятник имеет конструкцию, показанную на рис. 33.6, и состоит из перемещающегося в горизонтальной плоскости рычага, закрепленного в точке О, и прикрепленного к его концу вращающегося маятника. Управление перемещением рычага осуществляется с помощью двигателя постоянного тока путем подачи на его управляющую обмотку соответствующего напряжения с выхода регулятора. Целью управления является балансирование маятника в перевернутом (вертикальном) положении, одновременно удерживая рычаг в некотором заданном положении.

38 Системы искусственного интеллекта с использованием нечеткой логики.

Последние годы характеризуются все более широким внедрением методов искусственного интеллекта в теорию и практику автоматического управления сложными техническими объектами.

Учитывая необычайно сложный характер данной проблемы и пестроту имеющихся на сегодня подходов к ее решению (многие из которых находятся в стадии становления), рассмотрим либо один из возможных подходов, который считается многообещающим с точки зрения создания высокоэффективных систем автоматического управления нового поколения – это управление сложными объектами в условиях неопределенности с использованием алгоритмов нечеткой логики.

Критериями выбора данных алгоритмов явились: наглядность и вместе с тем нетрадиционность, нешаблонность постановки задачи управления; корректность и доступность применяемого математического аппарата, понятная интерпретация и доступная простота реализации полученных результатов.

При этом рассмотрим математические основы принятия решений с использованием нечеткой логики, принципы построения нечетких регуляторов, особенности их аппаратной и программной реализации, преимущества и недостатки применения САУ с нечеткими регуляторами.