МИНОБРНАУКИ РОССИИ

ГОУ ОГУ

Орский гуманитарно-технологический институт (ФИЛИАЛ)

Государственного образовательного учреждения высшего профессионального образования

«Оренбургский государственный университет»

(ОГТИ (филиал) ГОУ ОГУ)

Экономический факультет

Кафедра прикладной информатики

Курсовая работа

по дисциплине «Интеллектуальные информационные системы»

Решение Диофантова уравнения с помощью генетического алгоритма

ОГТИ 080801.65.5012.18 ОО

Руководитель работы

канд. эконом. наук, доцент

__________________Т. И. Лабужская

ст. преподаватель

_____________Ж. В. Михайличенко

«___» _____________ 2012 г.

Исполнитель

студент(ка) группы 08ПИ

_________________ С.Н. Запольских

«___» _____________ 2012 г.

Орск 2012

Лист здания

Аннотация

В данной курсовой работе рассматриваются теоретические и практические вопросы решения Диофантовых уравнений с помощью генетического алгоритма.

Цель курсовой работы: разработать и исследовать программную систему для решения задач решения Диофантовых уравнений с помощью генетического алгоритма.

Курсовая работа состоит из двух разделов. В первом разделе дано понятие генетического алгоритма, генетические операторы, такие как: отбор,скрещивание, кроссовер, мутация и селекция, рассмотрены актуальные проблемы и модификации генетического алгоритма и структура Диофантовых уравнений.

Во втором разделе рассмотрены вопросы практической реализации решения Диофантовых уравнений с помощью генетического алгоритма. Дано обоснование выбора программных средств реализации, рассмотрена технология решения с использованием программы Turbo Pascal.

Работа выполнена печатным способом на 30 страницах с использованием 8 источников, содержит 3 таблицы, 15 рисунков и 1 приложение.

Содержание

Введение 5

2.1 Обоснование выбора программных средств реализации 24

2.2 Формирование обучающей выборки 25

2.3 Выбор структуры нейронной сети 27

2.4 Прогнозирование ВВП на основе многослойной нейронной сети 28

Заключение 37

Список использованных источников 39

Приложение А 40

Введение

Нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач в экономической области. Первоначально нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений и решения задач в сфере экономики.

Способность к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможности применять нейронные сети для решения широкого класса задач. В последние несколько лет на основе нейронные сетей было разработано много программных систем для применения в таких вопросах, как операции на товарном рынке, оценка вероятности банкротства банка, оценка кредитоспособности, контроль за инвестициями, размещение займов, прогнозирование показателей экономических объектов.

Приложения нейронных сетей охватывают самые разнообразные области интересов: распознавание образов, обработка зашумленные данных, дополнение образов, ассоциативный поиск, классификация, оптимизация, прогноз, диагностика, обработка сигналов, абстрагирование, управление процессами, сегментация данных, сжатие информации, сложные отображения, моделирование сложных процессов, машинное зрение, распознавание речи.

Методы нейронных сетей могут использоваться независимо или же служить прекрасным дополнением к традиционным методам статистического анализа, большинство из которых связаны с построением моделей, основанных на тех или иных предположениях и теоретических выводах (например, что искомая зависимость является линейной или что некоторая переменная имеет нормальное распределение). Нейросетевой подход не связан с такими предположениями - он одинаково пригоден для линейных и сложных нелинейных зависимостей, особенно же эффективен в разведочном анализе данных, когда ставится цель выяснить, имеются ли зависимости между переменными. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на неё с заданной степенью точности. Кроме того, современные нейронные сети обладают дополнительными возможностями: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать её объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и так далее.